深度学习|图卷积神经网络GCN gcn|机器学习

图卷积神经网络图卷积神经网络就是一种能对图数据进行处理的方法。
如何理解图卷积算法？我们看动图分三步去理解（不同的节点有不同的权重）：

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。

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。
GCN也是一个神经网络层。它的层与层之间的传播方式是：

文章图片

其中：

Aˇ=A+I，I是单位矩阵
Dˇ是Aˇ的度矩阵（degree matrix），公式为 Dˇii=∑jAˇii
H是每一层的特征，对于输入层的话，H就是X
σ是非线性激活函数

图卷积神经网络是用其他节点的信息来推导该节点的信息。
另外，图中的每个结点无时无刻不因为邻居和更远的点的影响而在改变着自己的状态直到最终的平衡，关系越亲近的邻居影响越大。
图数据中的空间特征具有以下特点：
1）节点特征：每个节点有自己的特征；（体现在点上）
2）结构特征：图数据中的每个节点具有结构特征，即节点与节点存在一定的联系。（体现在边上）
【深度学习|图卷积神经网络GCN】总地来说，图数据既要考虑节点信息，也要考虑结构信息，图卷积神经网络就可以自动化地既学习节点特征，又能学习节点与节点之间的关联信息。