图神经网络论文阅读(十二) COMBINING NEURAL NETWORKS WITH PERSONALIZED PAGERANK FOR CLASSIFICATION ON GRAPHS

本文发表于2019年ICLR。标题放不下了就放在介绍里了。作者来自Technical University of Munich（慕尼黑工业大学）。
最近读到的关于GNN改进的论文都是旨在获取更深层次的传播，并防止过平滑。本文利用图卷积网络(GCN)与PageRank的关系，提出了一种改进的基于个性化PageRank的传播方案，将神经网络与传播方案分离开来。然后利用这个传播过程来构造两种不同的网络结构：PPNP及其近似APPNP。

PageRank

最开始介绍PageRank【1，2】。
PageRank通过随机游走去确定不同网页被访问的概率，在一定的条件下，当游走次数取极限，访问每个结点的概率收敛到平稳分布，这时各个结点的平稳概率值就是其PageRank值，表示结点的重要度。PageRank 是递归定义的，PageRank 的计算可以通过迭代算法进行。
这里，同GCN一样，需要一个转移矩阵，这个矩阵是根据图的拓扑结构得到的。当然，对于有向图来说，这个矩阵并不对称：

那么，给定 t t