【论文阅读】Directed Graph Convolutional Network

论文连接：Directed Graph Convolutional Network

摘要

由于GCN的局限性，本文提出了DGCN（有向 图 卷积 网络），通过一阶和二阶邻居关系的应用，并扩展卷积计算。

介绍

GCN主要存在两个缺点：

1. 仅适用于无向图。对于有向图只能采用对称的领接矩阵，得到半正定的拉普拉斯矩阵，但同时也失去了有向图的唯一结构。例如，对于一个表明文章引用关系的有向图，将其转换为无向图是不太合理的。可以采用RNN和GCN的组合来学习时间图，但其添加了额外组件。
2. 仅考虑1跳结点特征。在大多数的基于光谱的GCN中，每个卷积操作中，只捕获了顶点的一阶信息。而没有直接相连的结点也可能存在某些关系，例如社交网络中，拥有共同兴趣的人，不一定相互联系（直接相连）。尽管能够堆叠多层GCN获得更多信息，但多层网络容易导致过拟合。

本文利用二阶邻近点来对现有方法进行扩展，不仅能够保留有向图的方向特征，也能够扩展图卷积的感受域，从而提取更多的特征。本文主要贡献：

• 提出DGCN，性能优于传统GCNs
• 在有向图上定义一阶和二阶邻近度，能够扩展卷积感受域

定义

定义有向图$G=(V,E)$，顶点集$V=(v_1,v_2,...,v_n)$，边集 E ⊂ { 1 , . . . , n } × { 1 , . . . , n } E \subset \left\{1,...,n\right\} \times \left\{ 1,...,n \right\} E⊂{ 1,...,n}×{ 1,...,n}，如果顶点$i$到顶点$j$之间存在一条有向边，则有$e=(i,j)$。有向图中$(u,v)\ne (v,u)$且$w_{i,j}\ne w_{j,i}$

一阶边：对于顶点$i,j$，如果存在$(i,j)\in E$，则$(i,j)$为一阶边
二阶边：对于顶点$i,j,k$，如果存在$(i,k)and(j,k)\in E$，则$(i,j)$为二阶边

Feature Smoothness（特征平滑度）：评估获得的信息量大小
$${\lambda }_f=\frac{||{\sum }_{i\in V^{\prime }}({\sum }_{e_{i,j}\in E^{\prime }}(x_i-x_{}}{|E^{\prime }|\cdot d}$$