大型属性图中的归纳式表示学习

图（网络）无处不在，并允许我们对实体（节点）及其间依赖关系（边）建模。从图数据中学习有用的特征表示是许多机器学习任务（如分类、异常检测、链接预测等）的核心与成功关键。许多现有技术使用随机游走来作为学习特征或估计图模型参数以进行下游预测任务的基础。例子包括近期的节点嵌入方法如 DeepWalk、node2vec，以及基于图的深度学习算法。然而，这些方法所用的简单随机游走从根本上与节点的身份绑定。这有三个主要缺点。第一，这些方法本质上是转导式的，不能泛化到未见过的节点和其他图。第二，它们空间效率不高，因为为每个节点学习一个特征向量，这对大图而言不切实际。第三，这些方法中大多数缺乏对属性图的支持。为使这些方法更具普遍适用性，我们提出一种基于属性随机游走概念的归纳式网络表示学习框架，该框架不与节点身份绑定，而是基于学习一个函数 $\Phi : \mathrm{\rm \bf x} \rightarrow w$，将节点属性向量 $\mathrm{\rm \bf x}$ 映射到一个类型 $w$。该框架作为泛化现有方法（如 DeepWalk、node2vec 以及许多其他利用传统随机游走的先前方法）的基础。