GraphSAGE_biji

Graph SAGE：工业应用，是目前所有工业上图模型的雏形。归纳式学习，可以泛化到没有未参与训练的节点上。卷积部分可以有很多种，比如平均，pooling，lstm聚合，以及GCN聚合等。
GraphSAGE(Graph SAmple and aggreGatE)框架，工业应用，附带python 开源实现。归纳式学习，可以泛化到没有未参与训练的节点上。卷积部分可以有很多种，比如平均，pooling，lstm聚合，以及GCN聚合等。

区别于 GCN 使用邻接矩阵 A 使用图全局结构信息，这里是对 GCN 做了进一步精简，每次迭代只抽样取直接相邻的节点，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。

SAGE实现的归纳式，除了在一般的直推式学习到embedding的表示之外，多了一个学习的过程，即学习由邻居节点表示embedding的function要如何表示。所以，整个过程由两部分组成：1. embedding的表示的学习；2. 邻居节点泛化表示embedding function的学习。这两个学习过程可以放到一个学习过程中进行。

Aggregate邻居结点的状态，作为邻居结点的一个“和”状态。
将这个“和”状态和当前结点的状态通过Concat操作和带非线性激活的全连接层融合到一起更新当前结点的状态。

抽样 1 阶、2 阶邻居节点，深度遍历迭代聚合 2 阶邻居。利用 2 阶邻特征，生成 1 阶邻居embedding，再聚合 1 阶embedding，生成目标节点 embedding。

需要注意的点

1. 局部图卷积 PinSage，聚合邻居特征的方式生成节点embedding。
2. 对于一阶、二阶采用不同的卷积核，这里可以改进为一阶好友、二阶好友、关注收藏夹，关注话题，多个通道（原文的一阶和二阶本身用不同的卷积核，类似于通道思想）