GCN神经网络学习（一）

      本篇的两个重点：图卷积网络GCN的基本原理，以及如何聚合邻居的基本信息

      一、基本原理

          假设创建一个图G：

                     顶点集V；

                     邻接矩阵A；

                     代表节点特征的矩阵X：X=m*|v|(顶点数量)，m:每个节点有m维的特征。

           现在我有一个图是这个样子的：

            用神经网络来表示它：（例子中只表示了A节点的，其他节点的表示方法雷同就不再展示）

             将图转化为神经网络的方式来表示就是基本的一个原理。

二、聚合

     基本方法：对来自邻居的信息取平均值并且应用于神经网络。（平均思想是核心）

     由于本人作图能力较差就不做图演示，下面用公式和文字的方式来叙述。

     

   k:代表第k层；h:代表第k层的一个特征信息；N(v):顶点数量；Wk:对第k层做神经网络的变换；B(k):同样是对第k层做神经网络变换；        

 所以也就是说通过嵌套的方式就可以一层一层求出从0到k层的神经网络的聚合。

还有一种等价的数学表示写法：