graph embeddiing 发展脉络：
一、初期出现的算法：deep walk、line、node2vec、sdne、eges等，详见2019-2020review5-embedding入门（https://www.jianshu.com/p/993f80d1b959）
二、进一步深化算法：图神经网络
1、从综述说起哈：
（1）图神经网络的大致分类【1】：
图神经网络（GNN） 被分成了 5 个类别：图卷积网络、图注意力网络、图自编码器、图生成网络和图时空网络。图卷积网络在捕捉架构依存关系上扮演着核心角色：
（2）我们关注的是图神经网络和网络嵌入：
图神经网络 vs. 网络嵌入。对图神经网络的研究与图嵌入或网络嵌入紧密相关，这也是数据挖掘和机器学习社区日益关注的一个话题 。网络嵌入旨在通过保留网络拓扑架构和节点内容信息，将网络顶点表示到低维向量空间中，以使任何后续的图分析任务（如分类、聚类和推荐）都可以通过使用简单的现成机器学习算法（如用于分类的支持向量机）轻松执行。许多网络嵌入算法都是无监督算法，它们大致可分为三组 ，即矩阵分解 、随机游走和深度学习方法。用于网络嵌入的深度学习方法同时还属于图神经网络，包括基于图自编码器的算法（如 DNGR 和 SDNE）和具有无监督训练的图卷积神经网络（如 GraphSage）。下图描述了网络嵌入和图神经网络的区别。
图嵌入的无监督学习。如果图中无可用类别标签，我们可以在一个端到端框架中以完全无监督的方式学习图嵌入。这些算法通过两种方式利用边级（edge-level）信息。一种简单的方法是采用自编码器框架，其中编码器使用图卷积层将图嵌进潜在表征中，然后使用解码器重构图结构 。另一种方法是利用负采样方法，采样一部分节点对作为负对（negative pair），而图中已有的节点作为正对（positive pair）。然后在卷积层之后应用 logistic 回归层，以用于端到端学习。
2、接下来开始重头戏GCN：
（1）先从直观上感受GCN
什么是图卷积神经网络【2】
如何理解图卷积算法？
第一步：发射（send）每一个节点将自身的特征信息经过变换后发送给邻居节点。这一步是在对节点的特征信息进行抽取变换。
第二步：接收（receive）每个节点将邻居节点的特征信息聚集起来。这一步是在对节点的局部结构信息进行融合。
第三步：变换（transform）把前面的信息聚集之后做非线性变换，增加模型的表达能力。
（2）再从框架图感受GCN
来自论文的原汁原味的框架图【3】：
具体来说，我们先看这个框架的大致idea：输入一张图，经过一层层特征抽取以及变换，最后输出一张图。
（3）最后从公式上感受GCN
GCN，图卷积神经网络，实际上跟 CNN 的作用一样，就是一个特征提取器，只不过它的对象是图数据。GCN 精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类（node classification）、图分类（graph classification）、边预测（link prediction），还可以顺便得到图的嵌入表示（graph embedding），可见用途广泛。
从论文原文原汁原味感受公式：
公式的直观感受：
用我们通俗的话翻译一下：
公式特点说明：
GCN的一大特点：
前期了解完毕，下面是详细了解图卷积算子~
待补充论文公式详细推导过程。。。
参考文献
1、图神经网络概述第三弹：来自IEEE Fellow的GNN综述
https://www.jiqizhixin.com/articles/2019-01-07-8
2、浅析图卷积神经网络
https://zhuanlan.zhihu.com/p/37091549
3、论文原文 GRAPH CONVOLUTIONAL NETWORKS
https://tkipf.github.io/graph-convolutional-networks/
4、跳出公式，看清全局，图神经网络（GCN）原理详解
https://www.chainnews.com/articles/216961050590.htm
其他参考文献：
1、深度学习新星 | 图卷积神经网络（GCN）有多强大？
https://zhuanlan.zhihu.com/p/37894842
2、如何理解 Graph Convolutional Network（GCN）？
https://www.zhihu.com/question/54504471
3、卷积运算是什么？
https://www.zhihu.com/question/339496491
4、如何理解 Graph Convolutional Network（GCN）
https://www.zhihu.com/question/54504471
5、从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (一)
https://www.cnblogs.com/SivilTaram/p/graph_neural_network_1.html
