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:
J G ( z u ) = − log ( σ ( z u ⊤ z v ) ) − Q ⋅ E v n ∼ P n ( v ) log ( σ ( − z u ⊤ z v n ) ) 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))
- u u u 表示当前节点,而 v v v 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 ( z u ⊤ z v ) ) -\log \left(\sigma\left(\mathbf{z}_u^{\top} \mathbf{z}_v\right)\right) −log(σ(zu⊤zv)) 接近0
- P n ( v ) P_n(v) Pn(v) 表示负采样分布, Q Q Q 为负样本个数, u u u 与 v n v_n vn 负内积很大,则 − Q ⋅ E v n ∼ P n ( v ) log ( σ ( − z u ⊤ z v n ) ) -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