GCN（Graph Convolutional Network）

  1.    图是一个非常强大的工具，基本上可以看到所有的数据都可以表示成一个图，它的强大也带来了它的问题：         ①在图上面做**优化是非常难的**；（因为它是一个稀疏矩架构，它是一个动态的结构，使得如何有效的在CPU、GPU甚至是加速器上进行计算是一件很难的事情。）<br />       ②另外一个是图神经网络**对超参数是非常敏感的**。（整个网络架构长什么样子，你怎么样对它进行采样，以及整个优化，其实都是非常敏感的。）<br />       这两个原因都会导致图神经网络的门槛比较高。 <br />       虽然这一块工作在过去三四年里面，已经吸引了非常多的研究者进来，但是它在工业界上的应用，目前来说仍然是非常少的，所以还需要一些年的积累。

1 GCN的模型图

image.png

2 GCN的假设

GCN保持了图的对称性。（也就是说不管怎么交换顶点的顺序，GNN对它的作用都是保持不变的。）

3 GCN的两大特点

①GCN保持了图的对称性；
②

4 图的表示

1.1 Vertex（顶点）：用向量表示，向量可以表示顶点的属性。局部信息。
1.2 Edge（边）：用向量表示，向量可以表示边的属性。局部信息。
1.3 Global（整个图）：用向量表示，向量可以表示整个图的属性。全局信息。

5 聚合（汇聚）的方式

①求和（Sum）、②求平均（Mean）、③求最大(Max)
没有一种方式是最理想的，具体用哪个合适看情况而定。

3 采样的方式

3.1 随机点采样Random node sampling

随机找几个点，采取这几个顶点的邻接点。
image.png

3.2 随机游走采样Random walk sampling

随机游走几步，采取游走经过的点。
image.png

3.3 随机游走邻居采样Random walk with neighborhood sampling

（随机游走采样与随机点采样结合）先随机游走采样再随机点采样：先随机游走几步，再采取游走经过点的邻接点。
image.png

3.4 扩散采样Diffusion sampling

取一个点Root node，把它的一近邻二近邻三近邻，往前走K步，把它做一个宽度遍历，然后把一个子图拿出来。
image.png

4 消息传递

消息传递的方式有：①None, ②Edges, ③Nodes, ④Globals, ⑤Edges&Globals, ⑥Nodes&Edges, ⑦Nodes&Globals, ⑧Nodes&Edges&Globals。
image.png