GNN各阶段与BFS算法的联系
之前把GNN的各阶段细分为Linear、Message、Aggregate、Update，再加上最开始的Sample阶段，进行了实验。汇报的时候老师提出了「哪个阶段用到了图遍历中BFS算法的思想」这个问题，让我再去确认一下，下次再说一下。和师姐又讨论了一下，大致得出了如下的结论。
图遍历从广义上其实可以理解为中心节点去访问自己邻居的过程，而BFS算法核心的逻辑/流程也就是从一个节点出发，访问其邻居节点并将其加入队列（活节点表）。所以从访问邻居节点（属性）这个角度来看，Sample和Aggregate阶段和「遍历」是有点关系的，其他的阶段都属于计算密集型，关系不大。
首先来看一下Sample阶段。这个阶段所做的操作是从一个节点出发，分别去访问其邻居节点并将其并入采样集当中。这和BFS算法十分相似，如果使用BFS算法的加速思路去改进Sample阶段，应该也会得到不错的加速效果。在Sample阶段进行遍历并构建子图的数据结构，这样也是为了能够让后面Aggregate阶段不再去进行类似这样的遍历操作（比较耗时）。
然后是Aggregate阶段。因为在公式中涉及到了节点的邻居聚合，看上去不可避免的也会用到BFS操作，但其实仔细查看分析源代码，发现并没有这么做。这个阶段主要先是利用源节点索引去构造邻居节点特征矩阵src，然后对特征矩阵src进行scatter归约操作就可以巧妙地实现邻居聚合操作了。可以看到，这个过程虽然也有不规则访问，但是并没有出现BFS算法中的那种过程，（如果需要minibatch）更像是在Sample阶段就把一切准备工作都做好了，Aggregate阶段就直接利用scatter进行加速了。所以，BFS算法的改进对于Aggregate阶段没有影响。
总结：Sample阶段用到了BFS算法的思想，Aggregate阶段和BFS算法几乎没有关系。