图卷积网络GCN（2）

图卷积网络（2）

================================

为什么要使用图(Graph)？

很多问题在本质是都可以表示为图的形式。在真实世界中，我们会发现很多数据其实是以图的形式存在的，比如分子网络，社交网络以及论文引用网络等等。

基于图的任务

针对图数据，通常有以下几种比较常见的任务类型：

结点分类(Node classification)：给定一个结点，预测其类型。
链路预测(Link prediction)：预测两个结点之间是否存在连接。
社区检测(Community detection)：确定具有紧密连接关系的结点簇。
网络相似度(Network similarity)：衡量两个网络或子网络之间的相似性。

机器学习工作流

在图中，我们不仅有结点的特征（结点的数据），还有图的结构（结点之间是如何进行连接的）。
对于前者，我们很容易可以获得关于每一个结点的数据，但是对于后者，要抽取出关于网络结构的信息并非易事。
例如，如果两个结点相较其它结点更加相近，那我们是否应该以不同的方式来对待它们？对于具有很高或很低度(degree)的结点又应该如何处理？
事实上，每一个特定的任务在特征工程上，也即通过构造特征来表示结构信息，都是非常耗时耗力的事情。例如在下面的结点分类的任务中，特征的构造是一项具有技巧性的工作。