简介
卷积神经网络（CNN）用于“图（Graph）模型”
要解决的问题
- 给定图的集合：图（Graph）的分类（classification）问题和回归（regression）问题
- 给定一张大图：图的表示，节点类型和缺失边（edge）的推断
论文的motivation
屏幕快照 2018-06-22 下午2.24.05.png
CNN处理图片的过程，可以看作是按照一定顺序处理图片中的像素，处理每个像素时，会考虑周围像素点的影响（像素的特征表示），卷积核可以看作是对该像素点做了正则化表示。类比图问题，可以把每个像素看成是图的节点，因此CNN用于图的处理需要首先解决的两个问题：1）节点的处理顺序；2）节点的表示和正则化。
方法梗概
屏幕快照 2018-06-22 下午2.20.01.png
处理过程大概有3步：
1）依据给图节点打标的顺序选定节点序列
2）用节点的邻节点生成子图，作为该节点的特征表示
3）节点特征表示的正则化
之后输入到卷积神经网络。
相关定义
图：G:=(V,E)，节点集合V，边的集合E
图的矩阵表示：假设V的大小为n，E的大小是m，可用一个n*n的矩阵A表示图。如果第i各节点和第j各节点有链接，则A(i,j)=1，否则A(i,j)=0。这种表示方法的缺点是“维度灾难”。
节点间的路径（path）：从一个节点到另一节点的最短路径
节点打标（node labeling）：对每个节点打标签
节点分区（partition）：相同标签的节点组成一个区
算法
1）选择节点序列
屏幕快照 2018-06-22 下午2.59.11.png
2）输入节点，输入节点的邻居
屏幕快照 2018-06-22 下午3.03.28.png
3）输入节点，输出节点的正则化表示
屏幕快照 2018-06-22 下午3.04.53.png
4）正则化函数，处理过程中对邻居节点进行了排序
屏幕快照 2018-06-22 下午3.05.00.png
5）完整流程
屏幕快照 2018-06-22 下午3.20.29.png
实验
见论文原文https://arxiv.org/pdf/1605.05273.pdf
相关连接
1） 基于图卷积网络的图深度学习
2）深度 | 一文概览图卷积网络基本结构和最新进展
3）图卷积网络定义和简单示例详解
4）GCN的github连接
5）GCN的论文连接
6）GCN作者博客
