GCN及我未填的坑

GCN的问世：CNN、RNN无法处理图数据的结构。

CNN主要用于处理图片，图片是一个二维的结构。CNN的核心在于它的kernel，kernel是一个个小窗口，在图片上平移，通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性：一个小窗口无论移动到图片的哪一个位置，其内部的结构都是一模一样的，因此CNN可以实现参数共享。这就是CNN的精髓所在。

RNN主要用于处理自然语言这样的序列信息，这样的序列信息是一个一维的结构。RNN通过各种门的操作，使得序列前后的信息互相影响，从而很好地捕捉序列的特征。

上面说的图片或者语言这种序列信息都属于欧式空间的数据，因此才有维度的概念，欧式空间的数据的特点就是结构很规则。而图，它是一种非欧式空间的数据，它是不规则的，可以认为是无限维的一种数据，所以它没有平移不变性。每一个节点的周围结构可能都是独一无二的，这种结构的数据，就让传统的CNN、RNN瞬间失效。所以很多学者从上个世纪就开始研究怎么处理这类数据了。这里涌现出了很多方法，例如GNN、DeepWalk、node2vec等等，GCN只是其中一种，这里只讲GCN，其他的后面有空再讨论。

GCN，图卷积神经网络，实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。

GCN的数学公式

假设GCN操作这样一批图数据，这组数据有N个节点，每个节点都有D维度特征，这些节点的特征组成一个N×D维的矩阵X。各个节点之间的连接关系通过邻接矩阵描述，邻接矩阵用一个N×N维的矩阵A表示。X和A就是模型的输入。GCN也是一个神经网络层，它的层与层之间的传播方式是：