GraphSAGE 的原理
哪些公司问过
答案要点
- 通过采样固定数量的邻居,解决 GCN 需要全图计算的问题
- 聚合邻居特征:均值、LSTM、池化,再与自身特征拼接并变换
- 堆叠多层获得多跳邻居信息,层数即感受野
- 学习聚合函数而不是固定的节点向量,支持归纳学习
- 适用于大规模图、节点分类和链接预测
易错点
- 说成 GCN 的同类直推方法
- 不知道采样的作用
- 忽略归纳学习这一核心优势
面试官常见追问
- GraphSAGE 和 GCN 的区别?
- 为什么要采样邻居?
- 几层比较合适?
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。