PyTorch实战（13）——图卷积网络（Graph Convolutional Network，GCN）

0. 前言

图卷积网络 (Graph Convolutional Network, GCN) 通过共享权重的神经网络实现对图结构数据的特征提取，其核心思想是聚合节点及其邻域信息以生成更具表达力的节点表示。传统神经网络仅能利用节点自身的局部特征，而 GCN 通过分层计算图结构，不仅整合一阶邻居信息，还能捕获高阶连接关系，从而更全面地建模图数据。GCN 通过替代传统神经网络的全连接层，引入邻域特征聚合组件，显著提升了图数据建模能力，适用于节点分类、图分类等多种任务。本节将结合 PyTorch Geometric 框架，使用 CiteSeer 引文数据集训练 GCN 模型，展示其如何利用图结构信息超越传统方法的性能表现。

1. 图卷积网络

图卷积网络 (Graph Convolutional Network, GCN) 中的"卷积"概念源于图中共享权重的神经网络 (NN1, NN2)。为深入理解 GCN 的工作原理及其从图数据中提取额外信息的能力，让我们先回顾传统神经网络解决图问题的方式(如下图所示)。

如上图