8、图卷积网络与图注意力网络：原理、实现与应用

图卷积网络与图注意力网络：原理、实现与应用

1. 图卷积网络（GCN）简介

图卷积网络（GCN）是对普通图神经网络（GNN）层的改进，通过正确归一化特征，引入了智能归一化的GCN层。我们可以像堆叠普通GNN层一样堆叠GCN层来创建一个完整的GCN模型。接下来，我们将实现一个GCN，并验证它是否比之前的方法表现更好。

2. 图卷积层与图线性层的比较

在之前的实验中，普通GNN的表现优于Node2Vec模型。那么，GCN与普通GNN相比，性能如何呢？我们将在Cora和Facebook Page - Page数据集上进行比较。

GCN与普通GNN的主要区别在于，GCN会考虑节点的度来对其特征进行加权。在实际实现之前，我们先分析这两个数据集的节点度分布，因为这与GCN的性能直接相关。一般来说，当节点度差异较大时，GCN的表现会更好；如果每个节点的邻居数量相同，那么GCN和普通GNN的效果是等价的。

下面是分析节点度分布的具体步骤：
1. 导入必要的库 ：

from torch_geometric.datasets import Planetoid
from torch_geometric.utils import degree
from collections import Counter
import matplotlib.pyplot as plt

2. 导入Cora数据集并存储图数据 ：