GraphSAGE源码分析报告-袁宇箭-2018K80099080171
需积分: 0 44 浏览量
2022-08-03
16:41:54
上传
评论
收藏 745KB PDF 举报
GraphSAGE 源码分析报告
——袁宇箭 2018K8009908017 2021.01.31
一、 Graphsage 简介
0. 什么是深度学习？
深度学习是一类机器学习算法，它使用多层渐进地从原始输入中提取高级特征。例
如，在图像处理中，较低的层可能识别边缘，而较高的层可能识别与人类相关的概念，如
数字、字母或面孔。（来自 https://en.wikipedia.org/wiki/Deep_learning）
总的来说，深度学习主要涉及三类方法：
(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)。
(2)基于多层神经元的自编码神经网络，包括自编码( Auto encoder)以及近年来受到
广泛关注的稀疏编码两类( Sparse Coding)。
(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网
络权值的深度置信网络(DBN)。
我们目前所接触和学习到的大多是基于卷积运算的神经网络。近年来围绕卷积神经网
络而开展的研究取得了相当可观的成果，python 也有 TensorFlow、pytorch、sklearn 等库支
持神经网络的计算，如此一来代码的撰写则会方便许多，同时也可以保证模型运行的高效
性。
1. 什么是 Graphsage？
GraphSAGE 即 Graph SAmple and aggreGatE, 类似于传统的图卷积神经网络 GCN，
它也是一种图的深度学习算法，它的特点在于引入了 Inductive 和 sample 这两个特点。
GraphSage 的出现完成了机器学习从 Transductive（直推式学习）到 inductive（归纳式学
习）的转变，同时还提出了 Mean aggregator、Pooling aggregator、LSTM aggregator 这三种
聚合函数，拥有更强的表达能力。
2. Grpaphsage 有什么特点？
（1）以往 GCN 算法是典型的直推式学习方法，它所学习到的参数很大程度上与图的
结构有感，一旦图发生了变化则需要重新学习参数；而 GraphSAGE 便是采用归纳式学习
方法，它学习节点之间的聚合模式，利用结点领域的聚合模型直接学习处新节点的嵌入特
征，只要图不发生太大的变化则无需重新学习参数，大大提高了算法的鲁棒性。
剩余15页未读，继续阅读
评论0