知识卡片
GraphSage图采样聚合
GraphSage 改变图学习“直推式(Transductive)”的固有模式——直推式在固定图上直接学每个节点 Embedding,节点/边一变就得重训,难以落地工业界动态图。GraphSage 改为“归纳式(Inductive)”:学习“如何聚合邻居生成节点 Embedding 的函数”,而非直接学 Embedding,因此对未知节点也有区分性,完美应对图动态变化。
框架核心是两步:Sample(采样)和 Aggregate(聚合)。采样从目标节点向 K 跳邻居采样(如 fanouts=[20,10,5],三层共聚合 1000 个邻居),既避免热门节点偏差、又只更新当前 batch 相关参数、大幅缩短训练时间。聚合分层反向进行,每层把邻居 Embedding 聚成当前节点新 Embedding,可并行。四种聚合函数:Mean、Convolutional、LSTM(表达强但耗时)、Pooling(MLP+max/mean pooling,最优);实验表明 Pooling 与 LSTM 远好于其他。损失上,有监督用交叉熵,无监督让结构邻近节点表示相似、不近的大不同。相比协同过滤/Word2vec,GraphSage 还能用 cate/地区等关系边并通过多跳聚合丰富泛化。关联 [[随机游走图Embedding]]。
结构图:
flowchart LR
T[目标节点] --> S[Sample采样K跳邻居B0..Bk]
S --> A[Aggregate逐层聚合邻居Embedding]
A --> E[目标节点Embedding]
E --> L[有监督CE/无监督邻近损失]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 个性化召回层样本选择和模型选择 7.4 基于图网络的召回 · 查看原书依据
Graph Sage提出了图上学习的新模式——归纳(Inductive)学习,即学习在图上生成节点Embedding的方法,而不是直接学习节点的Embedding
参考来源
- 位置:《推荐系统全链路设计:原理解读与业务实践》第7章《个性化召回层样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/78.html;src-045)
- 结论依据:原文定义 GraphSage 的归纳式学习、Sample+Aggregate 两步、fanouts 采样与四种聚合函数及损失,支撑本卡。
- 原始内容:Graph Sage提出了图上学习的新模式——归纳(Inductive)学习,即学习在图上生成节点Embedding的方法,而不是直接学习节点的Embedding