【心得】图卷积神经网络（GCN）的简单介绍

2. 为什么使用GCN
与传统方法相比，深度学习的效率更高，而卷积神经网络作为深度学习的最成功的应用之一，其主要限制在于Euclidean data。
什么是Euclidean data？ Euclidean data最显著的特征就是“有规则的空间结构”，比如图片是规则的正方形栅格。而这些数据结构能够用一维、二维的矩阵表示，这样一来卷积神经网络就可以高效的进行处理。
但是，我们的现实生活中有很多数据并不具备规则的空间结构，称为Non Euclidean data。比如电子交易、分子结构等抽象出的图谱。这些图谱结构每个节点连接都不尽相同，有的节点有三个连接，有的节点有两个连接，是不规则的数据结构。
举个例子，一个电商的图谱如下：
我们假定有三个节点，分别是顾客，商品以及交易，其中顾客关联的节点可能有个人信息，联系方式等；商品的关联节点则是类目，名称等；而交易关联的节点包括交易内容，时间，收货地址等。这些节点之间的关系，比如顾客除了可以通过交易购买商品，还可以对商品进行评分。这样的图数据我们可以用来做两件事情，一是推荐、二是反欺诈。

可以看到，图谱中的每个节点，都包含特征信息以及结构信息。
总的来说，在图数据里面，我们要同时考虑到节点的特征信息以及结构信息，如果靠手工规则来提取，必将失去很多隐含且复杂的模式。为了能同时学到图的特征信息与结构信息，人们提出了“图卷积神经网络”。

3. 图卷积算子


4. 图卷积算法的过程
共三步：
第一，发射（send）: 每个节点将自身的特征信息经过变换后发送给邻居节点。
第二，接收（receive）：每个节点将邻居节点的特征信息聚合起来。
第三，变换（transform）：把前面的信息聚集之后做非线性变换（ReLu），增加模型的表达能力。
可以发现：
感受域正比于层数。最开始的时候，每个节点包含了直接邻居的信息，再计算第二层时就能把邻居的邻居的信息包含进来，这样参与运算的信息就更加充分。层数越多，感受域就更广，参与运算的信息就更多。

5. GCN的四个特征

• GCN 是对卷积神经网络在图这个领域上的自然推广。
• 它能同时对节点特征信息与结构信息进行端对端学习，是目前对图数据学习任务的最佳选择。
• 图卷积适用性极广，适用于任意拓扑结构的节点与图。
• 在节点分类与边预测等任务上，在公开数据集上效果要远远优于其他方法。