[人工智能]学习图卷积

知乎：

一文读懂图卷积GCN，苘郁蓁?

目录

1. 图网络的分类
   1.1 Graph Embedding——方式：矩阵分解、DeepWalk游走、Graph Neural Network
   1.2 Graph Neural Network——统称，从图的类型，训练的方式，传播的方式三个方面划分
   1.3 Graph Convolutional Network——理解其他模型（GAT、Graph LSTM）的基础

图卷积神经网络GCN属于图神经网络GNN的一类，是采用卷积操作的图神经网络，可以应用于图嵌入GE。

2. 图的定义——非结构化数据

3. 图相关矩阵——度矩阵，邻接矩阵和拉普拉斯矩阵
   

4. 图卷积的通式——不同模型的差异点在于函数$f$的实现不同。

实现一：

邻接矩阵$A$与特征$H$相乘,等价于，某节点的邻居节点的特征相加。多层隐含层叠加，能利用多层邻居的信息。
问题：

• 没有考虑节点自身对自己的影响；
• 邻接矩阵$A$没有被规范化，这在提取图特征时可能存在问题，比如邻居节点多的节点倾向于有更大的影响力。

实现二：

拉普拉斯矩阵（Combinatorial Laplacian?）$L=D?A$，度矩阵 - 邻接矩阵。

实现三：
拉普拉斯矩阵（Symmetric normalized Laplacian）

-1/2：对邻接矩阵的归一化操作，通过对邻接矩阵两边乘以节点的度开方然后取逆得到。

具体到原文学习，易懂。

总结：卷积核的形式并没有一种能够在任何场景下比其他的形式效果好，因此在具体使用的时候可以进行多种尝试，

等价表示：

《深入浅出图神经网络》第五章 图信号处理

专研GNN才看，我只是跑下最基本的实验，类似CNN用于MNIST数据集，没必要难为自己。

《深入浅出图神经网络》GCN实战

读书笔记
按照书本讲解的，数据处理自己看原代码，并非使用第三方库：DGL或PyG。

Cora数据集介绍

这里给上书本完整代码：github

它给出的训练集 验证集 测试集的数量有点奇怪

直接用cpu跑

semi-supervised classification原来就是训练有标签，来预测没有标签，让我多看了一篇多view数的博客。
图卷积神经网络(GCN)

文章有很多作者个人理解，不错。as follow：

1. 对于很多网络，我们可能没有节点的特征，这个时候可以使用GCN吗？答案是可以的，如论文中作者对那个俱乐部网络，采用的方法就是用单位矩阵 I 替换特征矩阵 X。
2. 我没有任何的节点类别的标注，或者什么其他的标注信息，可以使用GCN吗？当然，就如前面讲的，不训练的GCN，也可以用来提取graph embedding，而且效果还不错。
3. GCN网络的层数多少比较好？论文的作者做过GCN网络深度的对比研究，在他们的实验中发现，GCN层数不宜多，2-3层的效果就很好了。

结尾

下一章在探讨怎么用第三方库训练吧