图神经网络（十九）PREDICT THEN PROPAGATE: GRAPH NEURAL NETWORKS MEET PERSONALIZED PAGERANK

本文收录于ICLR2019，作者来自于慕尼黑工业大学。这篇文章说的还是GCN的邻域无法扩展的问题，因此作者利用GCN和PageRank之间的关系，推导出一种基于个性化PageRank的改进传播方案，利用这个传播方案构造了一个简单的模型：个性化的神经预测传播(PPNP)及其快速逼近(APPNP)。该模型需要使用较少的训练时间和较少的参数数量，实验表明，该模型的性能提升较为明显。在看这篇文章之前，可以去看一下我写的这篇PageRank介绍

INTRODUCTION

GCN的邻域扩展始终是一个问题，在扩展的同时会导致过平滑以及参数量的指数型增长。

上面这幅图是这篇论文中的，这幅图显示了图卷积网络的消息传递算法与随机游走之间的关系，可以看出随着层数的增加，当层数 k