理解节点嵌入

Question

我刚刚开始研究图神经网络，我对节点嵌入过程有点困惑。这是我的理解，如果我误解了，请告诉我：

给出无标号数据，构造一个图G=(V,E)，生成一个包含节点形状、大小、强度等重要特征的掩码，然后尝试对节点进行分类。因此，这就是我们使用节点嵌入的地方，它似乎利用了上述所有这些特性，并试图将它们压缩为嵌入矩阵。我们这样做的原因是因为它从邻接矩阵中删除了所有不必要的信息，并且只包含节点的所有重要特征。然后，利用这个带图卷积的矩阵最终对未见图像进行分类。是这样的吗？

因此，让我们举个例子，我一直在研究GraphSage，因为这似乎是最好的方法之一(是吗？)似乎可以从本地社区学习嵌入，但我想知道它是如何工作的？

Answer 1

首先，让我给你们一个直观的解释。当你把一颗鹅卵石扔到水中时，你会看到涟漪正在形成。想象一下相反的情况。所有这些涟漪都是在它们开始的时候聚集在一起的。

节点嵌入就是这样。您获取邻居节点的信息，并将其与原始节点中的信息结合起来。艺术在于如何将邻居节点组合在一起，直到你选择哪个k-hop邻居才能这样做。1-hop是指直接的邻居，2-hop是指邻居的邻居等等。

在GraphSAGE环境下，利用一个简单的前馈神经网络对信息进行组合，并将邻域迭代合并。有关进一步理解，请参见链接。