JKNet：基于跳跃知识网络的图的表示学习

核心问题：

一个节点的表示依赖于图结构的“邻近”节点，类似于随机游走的扩展。我们构造了一种 jumping knowledge network，其可以实现对每个节点灵活地利用不同的邻域范围，以实现更好的结构感知表示（structure-aware representation)。有些节点存在于图中心，就很容易的通过几层领域信息聚合得到丰富的表示，而有一些节点存在于图边缘，需要通过多层领域信息才可以得到丰富的信息表示，所以我们提出的模型就可以自适应的选择聚合邻域信息的范围来得到节点的表示，具体来说就是该模型在最后一层有选择的组合不同层的聚合表示

如图是从具有不同结构的子图中的(正方形)节点开始展开随机游走(并因此影响分布)。不同的子图结构导致非常不同的邻域大小。（在中心点开始和在边缘点开始效果不一样） 

具体实现：

neighborhood aggregations