TsingM

图卷积网络（GCN）卷积图神经网络（GCN，图卷积网络）与递归图神经网络关系密切。与使用收缩约束迭代节点状态不同，ConvGNNs在架构上使用具有固定数量的不同卷积层来处理循环相互依赖，下图说明了这一关键区别。由于图卷积与其他神经网络的融合更加高效方便，近年来它的普及率迅速提高。GCN可分为两类，基于谱域Spectral的和空间Spatial的。基于谱域的方法从图信号处理的角度引入滤波器来定义图卷积，其中图卷积运算被解释为从图信号中去除噪声。而基于空间的方法继承了RecGNNs的思想，通过信息传播来定

GCN(Semi-Supervised Classification with Graph Convolutional Networks, ICLR 2017)该文为基于谱域的图卷积网络的代表作，为图神经网络模型引入一个简单且表现好的分层传播规则，该规则直接在图上运行，展示了它是如何从谱图卷积的一阶近似中获得增益的，并演示了如何将这种形式的基于图的神经网络模型用于图中节点的快速和可扩展的半监督分类。0. 基本概念图用G=(V,E)G=(V,E)G=(V,E)表示，VVV中元素为节点（vertex），E

图神经网络概述神经网络的成功推动了模式识别和数据挖掘的研究，产生了若干种端到端的深度学习方法：卷积神经网络CNN、循环神经网络RNN、自动编码器。其中卷积神经网络CNN能够利用图像数据的平移不变性、局部连通性和可组合型，提取与整个数据集共享的局部有意义的特征，以进行各种图像分析任务。但是在应用场景中依然有大量的数据以图Graph的形式表示，例如电子商务中的用户与产品的交互、化学中的分子结构、引文网络中的论文关系等。因为图结构可能是不规则的，图中的节点可能具有不同数量的邻居，图中实例彼此关联不独立，所以现

本文介绍了图嵌入/网络表示学习领域比较重要的三个工作DeepWalk/LINE/node2vec，重点在于它们的思路、算法以及其中关联。