第 107 题：图神经网络的归纳召回，新节点的实时嵌入生成？
题目
图神经网络的归纳召回，新节点的实时嵌入生成？
完整讲解
一、归纳式 vs 直推式
直推式：训练时只对图中已有节点学习嵌入，新节点加入需重新训练或单独推断，无法泛化到未见节点。归纳式：模型学习的是「从邻接/特征生成嵌入」的函数，给定新节点的邻居与特征即可实时算出其嵌入，无需重训，适合动态图与冷启动。
二、图神经网络的归纳能力
GNN 的归纳式代表如 GraphSAGE：聚合邻居表示后与自身特征结合，再经非线性得到节点表示。参数是共享的（聚合函数、MLP），因此对新节点，只要知道其邻居及其特征，即可前向传播得到嵌入，无需该节点在训练集中出现。归纳式 GNN 的输入为子图或 k-hop 邻域 + 节点特征，输出为节点嵌入。
三、新节点的实时嵌入生成
- 在线流程：新节点（如新上架商品、新用户）到来时，取其在当前图中的 k-hop 邻居（或 1-hop 即可），取这些节点的已有嵌入或特征，按训练好的 GNN 聚合与更新公式算一步或多步，得到新节点嵌入。若图存储与邻接查询高效（如图 DB、邻接表），单次前向为毫秒级，可实时生成。
- 冷启动：新节点无或极少边时，可用节点特征（属性、内容）经同一 GNN 的「0-hop」分支或单独 MLP 得到初始嵌入，或与仅用结构的嵌入做融合；后续行为增加后再用邻居聚合更新。
- 工程：预计算好老节点嵌入并建索引；新节点按需实时算或异步写入缓存，保证召回/排序能用到最新嵌入。
四、注意点
- 归纳式依赖「邻居表示」质量；若邻居也是新节点，需递归或用特征初始化。
- 图结构变更（新边、删边）时，相关节点嵌入需更新，可增量重算或定期全量刷新。
面试要点
- 能区分直推（只对训练节点）与归纳（可对新节点生成嵌入），并说明 GNN 的归纳性来自参数共享。
- 能说清新节点实时嵌入流程：取邻居→用已训 GNN 聚合→得到嵌入；冷启动用特征或 0-hop。
- 能提及工程上的预计算、按需计算、图变更时的更新策略。
记忆要点
- 归纳式 GNN（如 GraphSAGE）：参数共享，新节点用邻居+特征前向即得嵌入。
- 实时生成：取 k-hop 邻居、用已训模型聚合、毫秒级；冷启动用节点特征或 0-hop。
- 老节点预计算建索引；新节点按需/异步算；图变更时增量或定期更新。