学习总结

（1）GraphSAGE 的主要步骤是三步“采样 - 聚合 - 预测”：

• 采样是指在整体图数据上随机确定中心节点，采样 k 阶子图样本。
• 聚合是指利用 GNN 把 k 阶子图样本聚合成中心节点 Embedding。
• 预测是指利用 GNN 做有监督的标签预测或者直接生成节点 Embedding。

（2）3步中的重点在于聚合的 GNN 结构，它使用 CONVOLVE 操作把邻接点 Embedding 聚合起来，跟中心节点上一轮的 Embedding 连接后，利用全连接层生成新的 Embedding。

（3）决定什么任务的是GraphSAGE的输出层：

• 有监督学习：输出层是LR这种二分类模型，input是之前通过GNN学习到的中心节点embedding，output是预测概率的label。
• 无监督学习：可以用像word2vec一样用softmax作为输出层，预测每个点的ID，这样每个点ID的softmax的输出层向量就是该点的embedding，原理和word2vec一致。和上一节YouTube架构中的召回层的视频向量的生成也是一致的：

一、以往方法

deepwalk、Node2vec等Graph embedding方法并没直接处理图结构数据，而是先把图结构数据通过随机游走采样，转为序列数据，然后再用word2vec这类序列数据embedding方法生成Graph embedding。

但是这种“搭桥”的方法对图数据进行采样的时候，破坏了信息原始的结构。

二、GraphSAGE 的主要步骤

Graph Sample and Aggregate，翻译过来叫“图采样和聚集方法”。

GraphSAGE 的过程如上图所示，主要可以分为 3 步：

• 在整体的图数据上，从某一个中心节点开始采样，得到一个 k 阶的子图，示意图中给出的示例是一个二阶子图；
• 有了这个二阶子图，我们可以先利用 GNN 把二阶的邻接点聚合成一阶的邻接点（图 1-2 中绿色的部分），再把一阶的邻接点聚合成这个中心节点（图 1-2 中蓝色的部分）；
• 有了聚合好的这个中心节点的 Embedding，我们就可以去完成一个预测任务，比如这个中心节点的标签是被点击的电影，那我们就可以让这个 GNN 完成一个点击率预估任务。

GNN 既可以预测中心节点的标签，比如点击或未点击，也可以单纯训练中心节点的 Embedding。主要步骤就是三个“抽样 - 聚合 - 预测”。

三、GraphSAGE 的模型结构

GraphSAGE 的模型结构到底怎么样？它到底是怎么把一个 k 阶的子图放到 GNN 中去训练，然后生成中心节点的 Embedding 的呢？

上图中处理的样本是一个以点 A 为中心节点的二阶子图，从左到右我们可以看到，点 A 的一阶邻接点包括点 B、点 C 和点 D，从点 B、C、D 再扩散一阶，可以看到点 B 的邻接点是点 A 和点 C，点 C 的邻接点是 A、B、E、F，而点 D 的邻接点是点 A。

3.1 GraphSAGE 的训练过程：

这个 GNN 的输入是二阶邻接点的 Embedding，二阶邻接点的 Embedding 通过一个叫 CONVOLVE 的操作生成了一阶邻接点的 Embedding，然后一阶邻接点的 Embedding 再通过这个 CONVOLVE 的操作生成了目标中心节点的 Embedding，至此完成了整个训练。

3.2 CONVOLVE

CONVOLVE 的中文名是卷积，但这里的卷积并不是严格意义上的数学卷积运算，而是一个由 Aggregate 操作和 Concat 操作组成的复杂操作。

CONVOLVE 操作是由两个步骤组成的：

• 第一步叫 Aggregate 操作，就是图 4 中 gamma 符号代表的操作，它把点 A 的三个邻接点 Embedding 进行了聚合，生成了一个 Embedding hN(A)；
• 第二步，我们再把 hN(A) 与点 A 上一轮训练中的 Embedding hA 连接起来，然后通过一个全联接层生成点 A 新的 Embedding。

3.3 第一步的Aggregate操作

就是把多个 Embedding 聚合成一个 Embedding 的操作。比如，我们最开始使用的 Average Pooling，在 DIN 中使用过的 Attention 机制，在序列模型中讲过的基于 GRU 的方法，以及可以把这些 Embedding 聚合起来的 MLP 等等。

四、GraphSAGE 的预测目标

预测节点的标签（如点击or未点击）是一个有监督学习任务；
生成节点的embedding是一个无监督学习任务。

决定什么任务的是GraphSAGE的输出层：
（1）有监督学习：输出层是LR这种二分类模型，input是之前通过GNN学习到的中心节点embedding，output是预测概率的label。
（2）无监督学习：可以用像word2vec一样用softmax作为输出层，预测每个点的ID，这样每个点ID的softmax的输出层向量就是该点的embedding，原理和word2vec一致。和上一节YouTube架构中的召回层的视频向量的生成也是一致的：

五、GraphSAGE 在 Pinterest 推荐系统中的应用

在 PinSAGE 应用的构成中，它没有直接分析图片内容，而只是把图片当作一个节点，利用节点和周围节点的关系生成的图片 Embedding。因此，这个例子可以说明，PinSAGE 某种程度上理解了图片的语义信息，而这些语义信息正是埋藏在 Pinterest 的商品关系图中。

六、作业

使用 GraphSAGE 是为了生成每个节点的 Embedding，那我们有没有办法在 GraphSAGE 中加入物品的其他特征，如物品的价格、种类等等特征，让最终生成的物品 Embedding 中包含这些物品特征的信息呢？

【答】可以在k阶聚合完成后，像wide&deep钟一样，将节点的embedding和物品其他特征拼接后接入全连接层和softmax层得到embedding。

七、课后答疑

（1）在实际公司推荐场景中如果要应用这个算法，数据是通过图数据库来存储吗？能否推荐一个生产环境适合的图数据库？

【答】最近大家提neo4j比较多，https://neo4j.com/，可以研究一下。也可以用spark xgraph直接处理原始数据。

Reference

（1）https://github.com/wzhe06/Reco-papers
（2）《深度学习推荐系统实战》，王喆

文章来源: andyguo.blog.csdn.net，作者：山顶夕景，版权归原作者所有，如需转载，请联系作者。

原文链接：andyguo.blog.csdn.net/article/details/121399789