阅读量 ，评论量
一、前言
基于图的典型任务
节点分类：一个资讯会不会被用户点击、……
边预测：用户与用户之间的相似度、……
社区发现：定向人群挖掘、……
网络相似度：分子结构判定、……
图分类：分子所属类目的判定、……
主流解法
图模型需要具备的能力：将原始空间中的图结构映射到一个低维的空间，并且能够使节点间的『相关度』在映射后的空间中保持一致。
Walk-Based
GE(graph-embedding)
通过游走的方式生成游走路径，通过word2vec的方式获得节点的embedding表示，生成节点间的相关度。根据游走逻辑的不同，可分为：
- DeepWalk：根据边的权重随机地游走；
- Node2Vec：额外引进广度优先遍历和深度优先遍历的概率超参；
- Metapath2Vec：额外引进游走schema，依此进行概率游走；
优：
- shallow encoder，运算速度高；
- 偏精准记忆；
缺：
- encoder表达能力有限；
- 易受训练数据分布影响，泛化性差；
Message-Passing GNN()
生成节点的embedding表示时，不再只依赖节点本身，而是汇聚邻居和节点自身的信息来获得节点的embedding表示。根据汇聚逻辑的不同，可分为：
- 基础做法：节点表示 ← Active（W1 * 邻居均值 + W2 * 节点表示）
- GraphSAGE：将邻居均值操作改为通用汇聚函数（Mean、Pooling、LSTM）；并将加和操作改为concat；
- GAT：在通用汇聚函数中引入attention操作，更加个性化；
优：
- deep encoder，表达能力强；
- 泛化性好；
缺：
- 卷积、FC的引入，运算速度低；
- 海量数据下，效果不如精准记忆（实践发现；不同业务场景结论可能不同）；
GraphSAGE
BOW SUM聚合方式： \[
E_s = \alpha E_s + (1-\alpha) \sum_{t \epsilon \{边类型\}} (E_s +
\sum_{neighber_i \epsilon \{边类型为t的邻居\}}^{采样个数}E_{neighber_i})
\]