图神经网络的归纳能力，如何冷启动新节点的嵌入生成？
直推：训练时见过图中所有节点，预测时仍是对这些节点的标签/嵌入做推断，新节点必须加入图并重新训练或至少重新传播。归纳：训练时只用部分节点/子图，预测时可为从未见过的节点生成嵌入，无需重训。推荐场景中新用户、新物品不断出现，需要归纳式方法。
邻居聚合 + 共享参数：若模型的形式是「用邻居特征 + 可学习聚合函数」得到自身表示，且聚合函数（如 MLP、attention）不依赖节点 ID，则对新节点只需提供其邻居及邻居特征，即可前向得到其嵌入。GraphSAGE、GAT 等属于此类：聚合权重由「节点特征与图结构」决定，而非全局节点 ID，故可归纳。限制：新节点的邻居若多为新节点，则嵌入质量依赖「邻居的表示质量」；若新节点无边（纯冷启动），则需额外策略（见下）。
有少量边的新节点：直接套用归纳 GNN，用其邻居的（已训练或在线计算的）嵌入做聚合；若邻居也是新的，可多轮迭代或先用启发式（如邻居均值）再参与训练。无边新节点（纯冷启动）：无结构信息时只能依赖内容特征（如物品的类目、标题、图像）；用 MLP 或跨模态模型将内容映射到与图嵌入同一空间，即 $\boldsymbol{e}{new} = f\theta(\boldsymbol{x}{content})$，$f\theta$ 可在「有边节点」上通过重建损失或对比损失学习，使内容空间与图空间对齐。也可结合 KG：新物品通过属性与关系连到已有实体，用 RippleNet/KGAT 等得到其嵌入。
| 返回模块 | 返回总览 |