银川市建设诚信平台网站注册网站免费注册
传统的图方法都是直推式(transductive)的，学习到的是结构固定的图模型，一旦有新的节点加入，便需要重新训练整个图网络，泛化性不强。GraphSAGE是归纳式(inductive)的，它学习一种映射：通过采样和聚合邻居节点信息来生成当前节点的表征。GraphSAGE可扩展性更强，对于节点分类和链接预测问题的表现也比较突出。
模型结构
- 采样一跳和二跳的邻居节点
- 聚合邻居节点的特征信息
- 预测图上下文和当前节点标签信息
算法流程
整体上还是非常通俗易懂的。
损失函数
- 有监督：跟常规的分类任务一样，使用交叉熵损失函数
- 无监督：根据节点间共现关系来定义损失函数：
JG(zu)=−log(σ(zu⊤zv))−Q⋅Evn∼Pn(v)log(σ(−zu⊤zvn))J_{\mathcal{G}}\left(\mathbf{z}_u\right)=-\log \left(\sigma\left(\mathbf{z}_u^{\top} \mathbf{z}_v\right)\right)-Q \cdot \mathbb{E}_{v_n \sim P_n(v)} \log \left(\sigma\left(-\mathbf{z}_u^{\top} \mathbf{z}_{v_n}\right)\right) JG(zu)=−log(σ(zu⊤zv))−Q⋅Evn∼Pn(v)log(σ(−zu⊤zvn))
- uuu 表示当前节点，而 vvv 是跟它在一条随机路径上共现的节点，两者相似，内积很大，则 −log(σ(zu⊤zv))-\log \left(\sigma\left(\mathbf{z}_u^{\top} \mathbf{z}_v\right)\right)−log(σ(zu⊤zv)) 接近0
- Pn(v)P_n(v)Pn(v) 表示负采样分布，QQQ 为负样本个数，uuu 与 vnv_nvn 负内积很大，则 −Q⋅Evn∼Pn(v)log(σ(−zu⊤zvn))-Q \cdot \mathbb{E}_{v_n \sim P_n(v)} \log \left(\sigma\left(-\mathbf{z}_u^{\top} \mathbf{z}_{v_n}\right)\right)−Q⋅Evn∼Pn(v)log(σ(−zu⊤zvn)) 接近 0
实验结果
在三个数据集上大幅领先baseline。
参考
- 图神经网络10-GraphSAGE论文全面解读