图算法之GraphSAGE原理以及代码实现

先说几个核心判断。在Graph Embedding领域，早期的方法像DeepWalk、Node2Vec甚至GCN，都属于直推式（transductive）模式——它们训练时看见整个图，每个节点对应一个固定的Embedding向量，一旦图结构发生变化（比如新增节点），整张图就得重新训练。而GraphSAGE走的是另一条路：归纳式（inductive）。它不学节点的静态向量，而是学一个“如何从局部邻居信息生成节点嵌入”的映射函数。换句话说，拿到一个新节点，只要知道它的邻居长什么样，就能现场计算出它的Embedding。这意味着模型天然支持大规模图数据，也能轻松应对动态变化的图结构。

1. 直推式学习（Transductive Learning）：

   直推式模式下，模型只在训练集里出现过的样本上做预测，对未见过的样本无能为力。它适合的场景是：你手头只有一批固定节点，只需要给它们打上标签，不需要泛化到新数据。

2. 归纳式学习（Inductive Learning）：

   归纳式模式的目标是从训练数据中提取可迁移的规律，让模型能对从未见过的新样本做出合理预测。这才是真正意义上的“泛化”，也是生产环境中最常用的方式。

回到GraphSAGE本身。SAGE全称是SAmple and aggreGatE，核心动作就是两步——采样邻居，聚合信息。它不依赖全局图结构，而是为每个节点定义一个局部邻居采样范围，然后训练一组聚合函数（aggregator functions），这些函数能从不同跳数（hops）的邻居那里不断提取特征。推理时，就算来了一个完全陌生的节点，只要按同样的方式采样邻居并调用聚合函数，就能输出它的Embedding。

1. a. 采样邻居
   ：对每个目标节点，从它的邻居中随机抽取固定数量的节点。这么做是为了控制计算量，让算法能扩展到百万级节点。

2. b. 聚合邻居信息
   ：定义多种聚合函数（均值、池化、LSTM等），把采样到的邻居节点特征整合成一条统一的表示。

3. c. 更新节点嵌入
   ：将聚合后的邻居特征与目标节点自身的特征拼接（或求和），再通过一个全连接层做非线性变换，得到当前层的嵌入。

4. d. 重复与优化
   ：对整个图的所有节点迭代上述过程，通过反向传播训练聚合函数和变换层的参数。

上图中展示了为红色目标节点生成Embedding的流程。k表示搜索深度：k=1时采样3个直接邻居，k=2时采样5个二跳邻居。具体来说：第一步采样邻居节点；第二步将邻居信息逐层聚合，更新目标节点嵌入；第三步用这个嵌入去完成下游预测任务。

这里的K对应网络的层数，也决定了每个节点能聚合的跳数。例如K=2时，节点可以聚合它两跳邻居的信息。每一层循环中，先对节点v的所有邻居，用上一层的Embedding聚合出邻居的当前层表示，然后和v的上一层表示拼接，过非线性变换，得到v的当前层Embedding。

聚合函数要解决的问题是：把一个无序的向量集合压缩成一个向量。图上的邻居没有天然顺序，所以聚合器必须是对称的——无论邻居节点以什么顺序输入，输出结果都一样。同时，还得有足够的表达能力。

• Mean aggregator
  ：最直接的方法——把目标节点和邻居节点的上一层向量拼接起来，然后对每个维度取均值。简单、稳定、快速。

• LSTM aggregator
  ：表达能力更强，但LSTM本身对输入顺序敏感。为了绕开这个限制，实践中先把邻居节点的向量集合随机打乱，再喂给LSTM，相当于用随机化消除顺序影响。

• Pooling aggregator
  ：让所有邻居节点共享一个权重矩阵，先过非线性全连接层，再对每个维度做max-pooling（或mean-pooling）。效果通常不错，且计算效率高。

：直接根据下游任务来定。如果是节点分类，就用常规的交叉熵损失。

：

损失函数分两部分。蓝色部分希望：如果节点u和v在图上是相邻或接近的，那么它们的嵌入向量内积应该很大，经过Sigmoid后接近1，log损失趋近于0。粉色部分则做反向约束：如果u和v在图上距离很远，它们的嵌入内积应该是一个绝对值很大的负数（相差超过90度），经过Sigmoid后同样接近1，损失也为0。实际训练时，远离节点v的“负样本”u可能远多于正样本，所以从远距离分布中随机采样一部分负节点，再添加一个很小的epsilon防止log(0)。这样正负样本平衡，模型才能学到有意义的嵌入。

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch_geometric.nn import SAGEConv
from torch_geometric.datasets import Planetoid
from torch_geometric.data import DataLoader

# 导入所需的库
# torch：PyTorch核心库
# torch.nn：包含了神经网络层的库
# torch.nn.functional：包含了神经网络函数的库
# torch_geometric.nn：PyTorch Geometric中的图神经网络模块
# torch_geometric.datasets：包含了一些常用的图数据集
# torch_geometric.data：定义了用于处理图数据的数据结构和函数

class GraphSage(nn.Module):
    def __init__(self, in_channels, hidden_channels, num_layers):
        super(GraphSage, self).__init__()
        self.convs = nn.ModuleList()
        self.convs.append(SAGEConv(in_channels, hidden_channels))
        for _ in range(num_layers - 1):
            self.convs.append(SAGEConv(hidden_channels, hidden_channels))

    def forward(self, x, edge_index):
        for conv in self.convs:
            x = conv(x, edge_index)
            x = F.relu(x)
        return x

# 定义GraphSage模型类，继承自nn.Module
# 初始化方法__init__中定义了GraphSage模型的网络层
# forward方法中定义了模型的前向传播过程

# 加载数据集
dataset = Planetoid(root='/tmp/Cora', name='Cora')

# 使用Planetoid加载Cora数据集，存储在/tmp/Cora目录下

# 划分数据集
train_loader = DataLoader(dataset, batch_size=64, shuffle=True)

# 将数据集划分为mini-batch，每个batch大小为64，进行随机打乱

# 实例化GraphSage模型
model = GraphSage(in_channels=dataset.num_features, hidden_channels=16, num_layers=2)

# 创建GraphSage模型的实例，指定输入特征维度、隐藏层维度和层数

# 训练循环
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
criterion = nn.CrossEntropyLoss()

# 使用Adam优化器和交叉熵损失函数进行模型训练

def train():
    model.train()
    total_loss = 0
    for data in train_loader:
        optimizer.zero_grad()
        out = model(data.x, data.edge_index)
        loss = criterion(out[data.train_mask], data.y[data.train_mask])
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
    return total_loss / len(train_loader)

# 定义训练函数train，对模型进行训练
# 遍历每个mini-batch，计算损失并更新模型参数

# 训练模型
for epoch in range(100):
    loss = train()
    print(f'Epoch {epoch + 1}, Loss: {loss:.4f}')

# 训练模型100个epoch，打印每个epoch的损失值