2. GraphSAGE 核心原理回顾：采样与聚合机制、归纳式学习、无监督与有监督损失函数
GraphSAGE（Graph SAmple and aggreGatE）是图神经网络从直推式（Transductive）走向归纳式（Inductive）学习的里程碑方法。其核心思想是：通过邻居采样固定计算子图，再通过聚合函数融合邻居信息，从而为未见节点生成嵌入。本节从采样、聚合、归纳学习范式、损失函数四个维度展开回顾。
2.1 邻居采样机制：固定规模、随机采样
全图邻居聚合在大规模图上计算量爆炸。GraphSAGE 提出固定规模采样：对每个节点，分别采样 K 阶邻居，每阶采样固定数量（如 S₁=25, S₂=10）。
- 采样阶数 K：通常 K=2，兼顾感受野与计算效率。
- 采样数量 Sₖ：若节点邻居数 < Sₖ，则重复采样（有放回）；若 > Sₖ，则随机采样（无放回）。
- 计算子图：每个 Batch 只保留被采样到的节点及其边，形成有向计算图。
工程要点：采样过程必须在 CPU 或 GPU 异步流水线中完成，避免阻塞前向传播。推荐使用 DGL 的
dgl.dataloading.NeighborSampler 或 PyG 的 NeighborLoader。
避坑：采样数量过大（如 S₁>50）会导致计算子图指数膨胀，显存溢出；过小（如 S₁<5）则感受野不足，模型精度下降。建议从 (25,10) 开始调参。
2.2 聚合函数：三种经典设计
聚合函数将邻居节点的嵌入集合融合为固定维度的向量。GraphSAGE 提供了三种可微聚合器：
| 聚合器 | 公式（简化） | 特点 | 适用场景 |
|---|---|---|---|
| Mean 聚合 | hN(v) = mean({hu, ∀u∈N(v)}) | 对称、低方差、计算快 | 节点度数均匀、特征平滑 |
| LSTM 聚合 | hN(v) = LSTM(permute({hu})) | 非对称、表达能力更强 | 序列化邻居、需排序 |
| Pooling 聚合 | hN(v) = max({W·hu + b}) | 可学习、捕捉最显著信号 | 异构图、多类型邻居 |
聚合后，节点自身嵌入与邻居嵌入拼接，再经过全连接层和非线性激活：
h_v^{(k)} = σ( W^{(k)} · CONCAT( h_v^{(k-1)}, h_{N(v)}^{(k)} ) )
h_v^{(k)} = h_v^{(k)} / || h_v^{(k)} ||₂ # L2 归一化2.3 归纳式学习：从静态图到动态泛化
传统 GCN 需要全图拉普拉斯矩阵，无法处理新节点。GraphSAGE 的归纳式学习核心在于：
- 参数共享：聚合函数参数 W⁽ᵏ⁾ 在所有节点间共享，不依赖节点 ID。
- 特征驱动：仅依赖节点特征和局部拓扑结构，新节点只需提供特征即可生成嵌入。
- 推理流程：训练时学习聚合参数 → 推理时对新节点执行相同采样+聚合流程。
注意：归纳式学习要求训练集和测试集的节点特征分布一致。若新节点特征分布偏移（如新增商品类目），需先做特征对齐或微调。
2.4 损失函数：无监督与有监督双模式
GraphSAGE 支持两种训练范式，根据标签可用性选择：
2.4.1 无监督损失函数
基于负采样的图对比学习，使相邻节点嵌入相似，远距离节点嵌入相异：
J_G(z_v) = -log( σ( z_v^T · z_u ) ) - Q · E_{u_n ~ P_n(u)} [ log( σ( -z_v^T · z_{u_n} ) ) ]- z_v：节点 v 的嵌入
- u：与 v 固定步长内共现的邻居（正样本）
- uₙ：负采样节点，分布 Pₙ(u) 通常为节点度数的 3/4 次方
- Q：负样本数量，通常 Q=5~20
2.4.2 有监督损失函数
根据下游任务类型直接优化：
| 任务类型 | 损失函数 | 输出层 |
|---|---|---|
| 节点分类（多分类） | 交叉熵损失 CrossEntropy | Softmax |
| 节点分类（二分类） | BCEWithLogitsLoss | Sigmoid |
| 链接预测 | BCE + 负采样 | 点积 + Sigmoid |
| 回归任务 | MSE / MAE | 线性层 |
实践建议：在标签稀疏的场景下，先使用无监督损失预训练嵌入，再在下游任务上微调有监督层，通常能提升 3%~8% 的 AUC。
2.5 本章小结
GraphSAGE 通过固定规模邻居采样解决了大规模图的计算瓶颈，通过可微聚合函数实现了灵活的邻居信息融合，通过归纳式参数共享支持动态图推理，通过双模式损失函数适配不同标签条件。这些机制共同构成了 GraphSAGE 在生产环境中上线的基础。