NIPS 2017 | 斯坦福GraphSAGE：改进的GCN

导读论文：Inductive Representation Learning on Large Graphs任务：对GCN进行改进，完成在大图上的归纳表示学习(inductive)本文：提出GraphSAGE模型机构：斯坦福大学代码：https://github.com/cenyk1230/GATNE官方介绍链接：http://snap.stanford.edu/graphsage/发表：NIPS 2017 一、动机动机一：大型图中节点的embedding在机器学习中有许多应用（例如，节点分类、聚类、链接预测）。然而大多数embedding框架本质上是推导式的(transductive)，并且只能为单个的固定的图生成embedding表示。如GCN，利用了图的整个邻接矩阵和图卷积操作融合相邻节点的信息，因此一般用于 Transductive 任务，而不能用于处理 Inductive 任务。（后面有解释）这些方法不能有效地推广到模型训练中没见过的节点，如演化图(evolving graphs)中。并 ………………………………