用 numpy/pandas/sklearn 实现 GraphSAGE-Mean
答案要点
- GraphSAGE-Mean:邻居特征取均值,与自身特征拼接后做线性变换和非线性
- 用 np.add.at 按边累加再除以度数,或用稀疏矩阵 D^-1·A·X 一次算出邻居均值
- 孤立节点度为 0 需单独处理;可对每个节点随机采样固定 k 个邻居
- 拼接特征交给 LogisticRegression 训练,单层时 W 与分类头可合并成一个线性模型
- pandas 负责读表和 id 映射,按节点划分训练测试集,用准确率或 macro-F1 评估
易错点
- 用 A 直接乘 X 得到的是邻居特征之和而非均值,度大的节点特征被放大
- 孤立节点度数为 0 时直接相除产生 NaN
- 节点 id 不连续时未重新映射就直接当数组下标
面试官常见追问
- 和 GCN 的聚合有什么区别?
- 为什么说 GraphSAGE 是归纳式的?
- 要扩展成两层怎么做?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。