图卷积神经网络

• 图的结构一般来说是十分不规则的，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。传统的CNN、RNN无法有效地处理这种结构的数据。很多学者为了处理这类数据提出了GNN、DeepWalk、node2vec等等，GCN只是其中一种。

• 与CNN不同的是，图卷积神经网络（GCN）是一个作用于图数据的特征提取器。GCN让我们可以使用这些特征去对图数据进行节点分类（node classification）、图分类（graph classification）、边预测（link prediction） ，还可以顺便得到 图的嵌入表示（graph embedding）。

• 假设我们手头有一批图数据，其中有N个节点（node），每个节点都有自己的特征，我们设这些节点的特征组成一个N×D维的矩阵X，然后各个节点之间的关系也会形成一个N×N维的矩阵A，也称为 邻接矩阵（adjacency matrix）。X和A便是我们模型的输入。

  GCN也是一个神经网络层，它的层与层之间的传播方式是：
  
  其中：

Aˇ=A+I，I是单位矩阵
Dˇ是Aˇ的度矩阵（degree matrix），公式为 Dˇii=∑jAˇii
H是每一层的特征，对于输入层的话