semi -supervised classification with graph convolutional
networks学习必记学习必记
1 主要解决的问题主要解决的问题
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
本文模型优缺点本文模型优缺点
WlW^lWl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）
作者：执笔论英雄
评论0