图嵌入
图嵌入思想
通过深度学习技术将图中的节点（或边）映射为向量空间中的点，进而可以对向量空间中的点进行聚类、分类等处理
图卷积网络（Graph Convolutional Network）
诞生
空手道俱乐部图，颜色表示通过基于模块化的聚类获得的社团
图卷积网络（简称GCN），由Thomas Kpif于2017年在论文Semi-supervised classification with graph convolutional networks中提出。它为图（graph）结构数据的处理提供了一个崭新的思路，将深度学习中常用于图像的卷积神经网络应用到图数据上。
GCN的卷积过程
先来回顾CNN的卷积过程，主要分为卷积和池化加全连接加softmax
CNN的卷积过程
GCN的整个流程图如下：
GCN流程
池化过程
经过顶点匹配和图粗粒化的过程，决定边是减掉还是连起来。
池化1
按照节点的index进行融合
池化2
卷积过程
将节点信号大小转化到信号领域进行矩阵分解再转回来
-
输入：
GCN的输入
-
输出：
公式1
公式2
结果目标
论文中的过程图
卷积方式分两种：
-
谱卷积
论文：https://arxiv.org/pdf/1609.02907.pdf
github地址：https://github.com/tkipf/gcn -
空间域卷积
论文：
https://www.leiphone.com/news/201706/ppA1Hr0M0fLqm7OP.html -
图注意力网络(GAT) ICLR2018, Graph Attention Network论文详解
github地址：https://github.com/Diego999/pyGAT
论文地址：https://arxiv.org/pdf/1710.10903.pdf
GAN整体流程
-
idea
如果有很多图结构，每个的节点数都不一样，，要想做节点分类。
对于节点的分类， GCN（Graph Convolution Network）需要知道全部的图。本文的（Graph Attention Network）GAT可以，GAT只需要本节点的特征和相邻节点的特征就可以分类了
