semi -supervised classification with graph convolutional networks学习必记

1 主要解决的问题

半监督学习：用于少量节点标签未知，例如文本、citation network、知识图谱分类

2 主要思想

采用图卷积中的一阶局部近似（即K=1），这部分的理解可以参考Chebyshev多项式作为GCN卷积核

当K=1 时有两个参数,模型scales linearly in the number of graph edges ,同时可以表征局部图结构和节点的特征：

3. 半监度节点分类模型

本文模型优缺点

$W^l$Wl在各个顶点共享，与顶点个数无关，可以用于大规模数据集，但是这个模型对于同阶的邻域上分配给不同的邻居的权重是完全相同的，这是由于GCN度矩阵的形式而决定的（参考拉普拉斯矩阵与拉普拉斯算子的关系）