题目：Inductive Representation Learning on Large Graphs
作者：Hamilton, William L. and Ying, Rex and Leskovec, Jure
来源：NIPS 2017
源码：https://github.com/williamleif/GraphSAGE
目前大多数图嵌入方法在训练过程中需要图中所有节点参与，属于直推学习（transductive），无法直接泛化到之前未见的节点。本文提出一种适用于大规模网络的归纳式（inductive）模型-GraphSAGE，能够为新增节点快速生成embedding，而无需额外训练过程。
GraphSage训练所有节点的每个embedding，还训练一个聚合函数，通过从节点的相邻节点采样和收集特征来产生embedding。本文训练一组aggregator函数来从一个节点的邻节点aggregate特征信息，每个aggregator函数从不同的hops或搜索深度aggregate信息。
模型
不同于为每个节点训练独立的embedding，本文训练的是一系列不同深度的聚合函数，学习节点邻居的聚合特征。
Embedding生成
算法直观上是在每次迭代中，节点聚合邻居信息。随着不断迭代，节点得到图中来自越来越远的邻居信息。
邻居采样：在每个epoch中，均匀地选取固定大小的邻居数目，每次迭代选取不同的均匀样本。
损失函数
两两节点u和v的embedding向量表示z的无监督的损失函数：
JG(zu)=−log(σ(zuTzv))−Q⋅Evn∼Pn(v)log(σ(−zuTzvn))
其中 zu,∀u∈V，v是u的固定长度邻居节点，σ 是sigmoid函数，Pn是负采样分布，Q 是负样本数目。
无监督损失函数目的是支持面向多种应用，在特定应用上可以采用特定的loss如交叉熵。
Aggregator结构
Mean aggregator
邻居集合的均值，与GCN中卷积传播的规则相似。将下式代入伪代码4~5行
hvk←σ(W⋅MEAN({hvk−1}∪{huk−1,∀u∈N(v)}))
N(v)是节点v的邻居节点集合
该aggregator与本文介绍算法的区别：没有考虑前一层的该节点表示（伪代码行5）
LSTM aggregator
Pooling aggregator
AGGREGATEkpool=max({σ(Wpoolhuik+b),∀ui∈N(v)})
实验
代码：https://github.com/williamleif/GraphSAGE
