1. Basic
上面左图是2D卷积神经网络，其输入是4行4列的矩阵，通过卷积核逐步移动实现对整个输入的卷积操作；而右图输入是图网络，其结构和连接是不规则的，无法像卷积神经网络那样实现卷积操作，由此提出图卷积网络。
以Zachary’s Karate Club社群为例，其结构如下图所示：
即总共是0~33共34个node，代表34个人，两个node如果有线段连接代表两者关联，否则无关联；这34个人被分为两类，分别是“Officer”和“Mr. Hi”；为便于查看整个网络中每个人与其他人的关联关系，重构关联图如下：
基于上图结构，定义矩阵A（其shape=[34,34]）如下， 每一行代表一个Node；
A[0] =[0., 1., 1., 1., 1., 1., 1., 1., 1., 0., 1., 1., 1., 1., 0., 0., 0., 1., 0., 1., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0.]，代表第0个node与第1、2、3、4、5、6、7、8、10、11、12、13、17、19、21、31个node关联；
A[11] = [1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0.]，代表第11个node只与第0个node关联；
A[12] = [1., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]，代表第12个node只与第0、3个node关联；
定义矩阵X(其shape=[34, k]，如k=3)，每一行代表一个node的3个特征；其初始值随机生成；
定义矩阵W(其shape=[k, 1])，随机参数矩阵；
类别（Label）：node[0, 1, 2, 3, 4, 5, 6, 7, 8, 10, 11, 12, 13, 16, 17, 19, 21]是“Mr. Hi”；node[9, 14, 15, 18, 20, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33]是“Officer”；
图卷积网络的propagation如下：
图卷积网络可用于特征表征，即最小化Loss，更新矩阵X和W，其中矩阵X的每一行即为对应node的特征，这和word2vec模型很像。
模型地址：https://zhuanlan.zhihu.com/p/88757091
2. More
矩阵A的每一行表示的关联点并不包含其自身，为更好的表达网络结构，定义矩阵AI
AI = A eye(34)；
矩阵AI中值为1.0多的行比少的行在propagation中意味着更大的值，训练时不稳定，容易造成梯度爆炸，由此引入对角矩阵D；
则图卷积网络的propagation修改为：
该式后又优化为：
Notes:D是对角矩阵，此处定义其0元素的负k（k=1.0, 0.5）次方仍是0；
优化前后两者的区别在于:
即优化后，运算时不仅仅考虑D矩阵中node[i]对应的点还考虑了node[j]对应的点；
Loss函数不变，仍为下式：
最小化Loss，更新X和W矩阵，其中X即为特征表征；
3. Other
3.1 X矩阵：特征表征
3.1.1 Karate Club的三维表征（即X矩阵为三维矩阵，并将其通过pca进行维度转换及降维进行展示）
3.1.2 football的多维(1~5)表征
1D feature representation
2D feature representation
3D feature representation
4D feature representation
5D feature representation
train figure for loss and accuracy
3.2 Semi-Supervised（半监督）
上述讨论中是所有node都是已知的，即其在网络中的关联关系和类别（Label）都是已知的，则矩阵A的shape=[34,34]；如果有N个node在网络中的关联关系是已知的，但是类别未知，其亦可参与训练，此时矩阵A的shape=[34, 34 N]，其它不变，然后进行训练，训练完成后，这N个node的类别是可以被这个训练完的模型预测的。
3.3 多layer多类别的情况
附代码：
https://link.zhihu.com/?target=https://github.com/frank0532/graph_convolutional_networks
原文链接：https://zhuanlan.zhihu.com/p/101005150
