图卷积网络GCN---底层逻辑最简单直白的理解

一 、GNN是怎么被提出来的？

比较常见的有CNN、RNN等。CNN的核心在于它的kernel，kernel在图片上平移，通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性：一个小窗口无论移动到图片的哪一个位置，其内部的结构都是一模一样的，因此CNN可以实现参数共享。RNN针对的是自然语言这样的序列信息，是一个一维的结构。

但是在实际生活中，有很多不规则的结构，比如社交网络，分子结构等。图的结构是不规则的，没有平移不变性。简单来说，他也是一个特征提取器，只不过处理的对象是图数据。

图神经网络(GNN)可以解决的问题包括：节点分类、连接预测等。

二、GCN的思想

1、关键思想

基于附近的网络邻居生成节点的嵌入(embedding)表示。如下图所示，如果我们想要更新A点，那就要聚合一下它周围邻居的信息。

GCN模型可以有很多层。第K层的节点的嵌入表示是聚合第K-1层邻居的节点信息来计算得到的。其中，节点在第0层的嵌入表示就是节点特征(也就是这个点在最开始的时候含有的特征，它可能是多维的)。

更通俗的说，GCN的一个关键就是融合邻居的信息，那具体怎么来融合的，融合后进行什么操作？就是我们常听说的聚合与更新。

2、聚合与更新