啥是GraphSAGE呢？
是一種用于圖嵌入的無監督學習方法。
通過采樣和聚合鄰居節點的信息來生成節點的嵌入表示。
這使得呢，能夠在大規模圖上運行，并且能夠生成未見過的節點的嵌入。

節點采樣：

對于每個節點，采樣固定數量的鄰居節點。
作用：減少計算復雜度，避免了遍歷整個圖的需求。

聚合（Aggregation）：

對采樣到的鄰居節點的特征進行聚合、
常見的聚合方法： mean，max,Lstm等

更新（update）：

將當前節點的特征與聚合后的鄰居節點特征進行結合，更新當前節點的嵌入表示。

例子：

   A/ \B   C\ /D

每個節點的特征向量：
A: [1.0, 0.5]
B: [0.5, 1.0]
C: [0.8, 0.8]
D: [1.0, 1.0]

1、 節點采樣：

例如我們要生成 節點A 的嵌入，并且每層采樣1個鄰居節點。
對于節點A 來說，鄰居節點是B 和 C
我們將會隨機采樣其中的一個，假設我們采樣的是B

2、聚合：

聚合節點A 的鄰居節點B的特征，假設 我們使用的是均值（mean）聚合：
hagg = 聚合特征 = mean(特征(B)) = mean ([0.5, 1.0]) = [0.5, 1.0]，不理解嗎？因為這里就采樣了一個鄰居節點哇。
假設我們采樣兩個鄰居節點，例如我們采樣了B和C
那么：
聚合特征= mean(特征(B) +特征（C） = 1/2 *[ [0.5, 1.0], [0.8, 0.8]]=[0.65,0.9]

3、更新：

使用A 的原始特征和聚合特征來更新節點特征。
例如我們這里使用了一個簡單的線性變換和激活函數。
hA 指A的原始特征，hagg是A節點的鄰居節點的聚合特征。W是自定義權重
h’A = σ（W · concat(hA，hagg)）
concat(hA，hagg) = [1.0, 0.5, 0.5, 1.0]
ok！！！到此就結束了一次更新過程，對于鄰居節點C進行相同的操作即可。

總結：

GraphSAGE 通過采樣鄰居節點并聚合他們的特征來更新每個節點的特征，得以實現在大規模數據上的使用。