【无标题】graphsage--inductive representation learing on large graphs

一、简单的总结

1、graphSASE针对新点甚至新图，主要训练aggregate函数
2、论文最后讨论未来可能的方向：subgraph embedding，邻居采样方式，多模态图

二、数据集

1、citation data：undirected citation graph， 6 labels， 302424nodes， X= node degree+sentence embedding
2、reddit data : undirected citation graph，50 labels， 232965nodes，X= [post title embedding; post’s comments; post’s score; the number of comments]
3、PPI data: undirected citation graph，121 labels，(20+2+2)*2373nodes, X= [gene sets]

三、研究成果

1、节点分类任务
2、运行效率和参数分析（neighborhood sample size）

四、论文related work

1、矩阵分解式的方法【factorization-based embedding approaches】
利用随机游走或者矩阵分解，这是直接 train node embedding，属于直推式学习，需要额外的训练to make prediction on new nodes
2、supervised learning over graph
graph kernel-based 方法，主要是classify entire grap，而不是单独的nodes的表示
3、graph convolution networkGCN
需要知道整张图的结构（邻接表） the full graph laplacian，本质并非是为了归纳式学习，并不是为一个局部的操作，不同于GAT以及graphSAGE

五、embedding generation

1、embedding generation也指前向传播，forward propagation algorithm
2、本文中neighborhood固定：fixed-size set of neighbors,instead of using full neighborhood sets

六、WL-test