GraphSAge

一、原理

相对于DeepWalk、Node2vec等transductive网络表示方法[GCN方法]，GraphSAge是一种inductive的学习方法

GraphSAge利用节点特征信息和结构信息得到GraphEmbedding

GraphSAge学习的是一种节点的表示方法

二、推导

聚合函数：顶点的邻居是无序的，所以希望构造出的聚合函数是对称的（即也就是对它输入的各种排列，函数的输出结果不变），同时具有较高的表达能力。MEAN/POOLING/LSTM

损失函数

无监督学习：相邻节点有相似表示

有监督学习：根据任务去设置目标函数，如分类任务可采用交叉熵损失函数等。

输出：参数、节点embending

三、实现

https://github.com/williamleif/GraphSAGE
https://github.com/shenweichen/GraphNeuralNetwork

【Reference】

GraphSAGE

官网论文