圖節(jié)點(diǎn)的低維嵌入在各種預(yù)測(cè)任務(wù)中是非常有用的，如蛋白質(zhì)功能預(yù)測(cè)、內(nèi)容推薦等。然而，多數(shù)方法不能自然推廣到不可見(jiàn)節(jié)點(diǎn)。圖采樣聚合算法（ Graph Sample and Aggregate， Graphsage）雖然可以提高不可見(jiàn)節(jié)點(diǎn)生成嵌入的速度，但容易引入噪聲數(shù)據(jù)，且生成的節(jié)點(diǎn)嵌入的表示能力不高。為此，文中提出了一種基于KNN與矩陣變換的圖節(jié)點(diǎn)嵌入歸納式學(xué)習(xí)算法。首先，通過(guò)KNN選取K個(gè)鄰節(jié)點(diǎn);然后，根據(jù)聚合函數(shù)生成聚合信息;最后，利用矩陣變換與全連接層對(duì)聚合信息和節(jié)點(diǎn)信息進(jìn)行計(jì)算，得到新的節(jié)點(diǎn)嵌入。為了有效權(quán)衡計(jì)算時(shí)間與性能，文中提出一種新的聚合函數(shù)，對(duì)鄰節(jié)點(diǎn)特征運(yùn)用最大池化作為聚合信息輸出，以更多地保留鄰節(jié)點(diǎn)信息，降低計(jì)算代價(jià)。在 reddit和PPⅠ兩個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)表明，所提算法在πicro且1和 macro-f1兩個(gè)評(píng)價(jià)指標(biāo)上分別獲得了4.995%與10.515%的提升。因此，該算法可以大幅減少噪聲數(shù)據(jù)，提高節(jié)點(diǎn)嵌入的表示能力，快速有效地為不可見(jiàn)節(jié)點(diǎn)及不可見(jiàn)圖生成節(jié)點(diǎn)嵌入。