sdcn模型学习

框架图：

主要架构：

GCN+AE(图卷积神经网络+自编码器）

回顾AE的作用：

    将数据（图像，文本...)压缩至隐藏层（encoder），一般是得到低维特征表示原数据，再通过decoder将隐藏层恢复成原数据，在期间设置重构损失表示原数据与decoder的数据之间的差值，以最小化重构损失为目的训练该模型（一般是神经网络）。若将隐藏层数量增加，即为堆叠式自编码器。

GCN作用：提取特征，其对象为图数据，其可以从图数据中提取特征，从而类似ae一样对这些特征进行操作，或分类，或预测等等。

其实知道以上的 大概作用基本就能理解上面框架图的流程了，先简述一下：

GCN部分接受输入信息的同时，接受encoder的每层输出，即图中H部分操作，通过每层特征的融合,让GCN学习到的表示同时包含原始特征信息和图结构信息。

再来具体讲一下GCN的细节：

传播方式：

这个层与层之间的传播方式在原论文中通过这幅图来解释：

GCN的输入特征为X，经过中间hidden  layers 最后变成了Z ，但是连接关系A都是共享的。

假设只用简单的神经网络层，只用输入（即邻接矩阵A和特征H）做内积，再乘上参数，其中有些局限性，

1.只使用A的话，由于A的对角线上都是0，所以在和特征矩阵H相乘的时候，只会计算一个node的所有邻居的特征的加权和，该node自己的特征却被忽略了。因此，我们可以做一个小小的改动，给A加上一个单位矩阵 I ，这样就让对角线元素变成1了。

1. A是没有经过归一化的矩阵，这样与特征矩阵相乘会改变特征原本的分布，产生一些不可预测的问题。所以我们对A做一个标准化处理。首先让A的每一行加起来为1，我们可以乘以一个D的逆，D就是度矩阵。我们可以进一步把D的拆开与A相乘，得到一个对称且归一化的矩阵 

原文作者根据此设计出了最终的层传播方式如上H（l+1）。