三大图网络自学总结（GAT、GraphSAGE、GCN）+RGCN

直推式和归纳式

所谓直推式学习（GCN等），就是训练期间可以看得到没有标注的节点（训练需要整个图里面所有的节点参与），那么

        1.需要将整个图作为输入

        2. 模型是基于某个具体的图的，如Cora，换个图，模型就需要从头开始训练

所谓归纳式学习，在训练期间，看不到没有标注的节点常见的有GraphSAGE等

        1. 训练只需要图的局部，不需要整个图都参与训练。对于大型图，可以通过子采样的方法进行训练，不需要一次性输入整个图

        2. 由于这个特性，归纳式学习是可以迁移的。即，在这个图上训练好的模型，可以迁移到另外一个图中使用。

        3.理解起来归纳式两个场景，单图上，局部的图做训练，来预测图的其余部分；或者多图上，按照时间线建立的多图，用前面时刻的图训练的模型来预测后面的图。

图神经网络目的都是为了学习节点的embedding，其embedding能表示节点之间的关系

模型输入为  节点x特征表示，邻接矩阵A

输出为节点新的特征

一、GAT

GAT模型提出了注意力机制，汇聚邻居节点时考虑不同的权重，适用于直推式和归纳式。

直推式：所有的节点和边都是已知的

归纳式：对未知的节点和边有学习能力，新加入的节点可以进行节点分类。

使用多头注意注意力机制

二、GraphSAGE

原文题目：大规模网络的归纳式学习

特点：

1.汇聚（aggregator）邻居节点的方式不同（Mean Pool  LSTM：将节点连城序列的方式进行输入）

2.不是所有的邻居节点，是采样的邻居节点

3.训练时使用batch的方式，不是像GAT哪像把全图进行输入

三、GCN

图卷积神经网络半监督分类

目的：节点分类，运行时间

在频域上的（不是空域的，与要通过傅里叶变换转换到频域上），半监督的节点分类问题；从频域上有理论支撑，k层GCN处理K阶邻居

模型总览

 H表示的是每一个层对应的输入（所有点的特征）   W可学习参数；；

RGCN：

R-GCN采用图卷积神经网络解决知识图谱关系型数据的补全任务，包括链接预测和实体分类。

R - GCN针对不同种类的关系进行了特化处理, 即针对不同的关系采用不同的聚合方式, 在这里是使用了不同的线性变换矩阵Wr. 其更新方程为:

红色节点有1-N种关系的邻居，且都存在入和出；