GNN图神经网络基础学习（Graph Neural Networks）视频笔记01：京东 基于知识图谱和图卷积神经网络的应用和开发
图卷积，要训练的就是特征矩阵。
1.发展历史：
基于：Spatial 的方法 和 基于 Spectral 的方法。
通过傅里叶变换 结合在一起 GCN
2.图卷积基本框架：
输入：邻接矩阵。
隐藏层中，每个节点都乘以特征矩阵。
（NxN） x（NxF） 每次更新的都是特征矩阵。
相邻的点才进行乘积，如计算跟新红点时，只需要相邻点的值。
当H （l+1） 基本没有变化的时候，停止更新。
不用具体的看公式，可以只个根据AHW的乘积来理解一下更新过程。
存在的问题：
1.邻接矩阵中自己的位置是0，因此无法提取到自身的信息。
2.结点相邻的越多，会导致加和的越多，有更大的特征值。
引入度矩阵，解决存在的问题1：
倒数第二行的吧A 变成了 D-A。
归一化处理，最后一行的公式：拉布拉斯归一化处理。
一般用第一个。
3.图卷积的演示：
度矩阵：连接的边数。第一个矩阵
邻接矩阵：第二个矩阵。
拉布拉斯矩阵：第三个矩阵，由度矩阵-邻接矩阵得来。
视频中说W的值不是很重要！
不断进行H 的更新，
得到一个基本收敛的H N
对H N 的处理：
取每一行的最大值，然后分类。
上述的结果，是将1，2，4 ，5分成了一类。
将3，6分成了一类。