GraphSAGE 让图神经网络走向大规模与归纳式

一、开篇：图神经网络的"工业化"时刻

2017 年 6 月，斯坦福大学的三位研究者——William L. Hamilton、Rex Ying、Jure Leskovec——在 NeurIPS 上发表了一篇论文：

Inductive Representation Learning on Large Graphs

论文提出的方法叫GraphSAGE——名字来自SAmple and aggreGatE（采样 + 聚合）。

这篇论文解决了图神经网络当时最棘手的两个问题：

1. 如何处理大规模图（数十亿节点）
2. 如何泛化到训练时没见过的新节点（归纳式学习）

当时的困境

2017 年，图卷积网络（GCN）刚刚由 Kipf & Welling 提出（2016 年底），它优雅地把卷积推广到图上，在引文网络分类等任务上取得了很好的效果。

但 GCN 有两个致命局限：

局限 1：直推式（Transductive）

GCN 在训练时需要看到整个图——