GraphSAGE(Graph SAmple and aggreGatE)理论

GraphSAGE(Graph SAmple and aggreGatE) 理论

一、核心思想

1、GCN的缺点 – 得到新节点的表示的难处

由于每个节点的表示是固定的，所以每添加一个节点，意味着许许多多与之相关的节点的表示都应该调整，开销极大。

2、GraphSAGE的思想

思想：不得到每个节点的一个固定的表示，而是去学习节点的表示方法。即学习一个节点的信息是怎么通过其邻居节点的特征聚合而来的 （聚合函数）。通过训练聚合节点邻居的函数（卷积层），使GCN扩展成归纳学习任务，对未知节点起到泛化作用。

节点的特征 + 邻居节点特征 — 聚合函数 – > 新的节点表示

3、GraphSAGE的前向传播算法(Embedding generation)

a、如何聚集：

b、整体的迭代过程

（1）先对邻居随机采样，降低计算复杂度（图中一跳邻居采样数=3，二跳邻居采样数=5）
（2）生成目标节点emebedding：先聚合2跳邻居特征，生成一跳邻居embedding，再聚合一跳邻居embedding，生成目标节点embedding，从而获得二跳邻居信息。graphsage的迭代应该是一个归纳式的过程，如果k=2，第一层的时候，顶点聚集hop1，hop1聚集hop2，然后第二层的时候顶点聚集更新后的hop1，这样两层网络就完成了两跳信息的更新
（3）将embedding作为全连接层的输入，预测目标节点的标签。

4、聚合函数的选择

mean-aggregator跟GCN十分类似。在GCN中，是直接把邻居的特征进行求和，而实际不是A跟H相乘，而是A帽子，A帽子是归一化的A，所以跟H的向量相乘之后，相当于是“求平均”。GraphSAGE进一步拓展了“聚合”的方法，提出了LSTM、Pooling等聚合方式，不是简单地求平均，而是更加复杂的组合方式，所以有一些效果的提升也是在情理之内的。

5、邻居的选择

设置一个定值，每次选择邻居的时候就是从周围的直接邻居（一阶邻居）中均匀地采样固定个数个邻居。但是其实K层的节点聚合了k-1层的节点信息。
K不必取很大的值，当K=2时，效果就灰常好了，也就是只用扩展到2阶邻居即可。

6、GraphSAGE的创新之处在于采样。

（1）采样的思路符合常理，邻居信息太多了反而没用；
（2）训练阶段采样增加了随机性，进而增加了模型的泛化能力。不同于直推式学习，归纳式学习可以泛化到未知网络上。
（3）也可以降低新增节点对于原始节点的影响。

二、与GCN的主要区别

1、GCN每次选择节点的所有一阶邻居。上图所示，节点v聚合4个节点的信息(一阶邻居)。
2、GraphSAGE是每次随机采样,选择一阶邻居时是进行随机采样，而不是所有的。