从CNN到GCN的联系与区别：
https://www.zhihu.com/question/54504471/answer/332657604
更加详解Laplacian矩阵：
https://www.zhihu.com/question/54504471/answer/630639025
GCN 实践：
https://mp.weixin.qq.com/s/sg9O761F0KHAmCPOfMW_kQ
深度学习时代的图模型，图网络综述：
https://mp.weixin.qq.com/s/WW-URKk-fNct9sC4bJ22eg
一、GCN图卷积神经网络
1.算法创新
卷积神经网络CNN主要应用于图像领域，但CNN处理的数据是具有显著标准的空间结构的，而网络拓扑图的数据并不具有标准空间结构。GCN 是对CNN在图论上的自然推广，GCN理论基础是谱图理论。
本质上，GCN 是谱图卷积的局部一阶近似，可以用于对局部图结构与节点特征信息进行编码生成节点Embedding。GCN适用性极广，能适用于任意网络拓扑结构图。
2.算法原理
GCN算法原理主要包括传播、聚合和非线性变换，具体解释如下：
传播是指图中的每一个节点将自身的特征信息发送给相邻的邻居节点。
聚合是指图中每个节点将邻居节点的特征信息汇聚的过程，是对节点的局部结构信息进行融合。局部结构信息可以理解为CNN的感知域，共享卷积核权重，正比于神经网络的层数；迭代开始时，每个节点包含了直接连接邻居的特征信息，当计算神经网络第二层时就能把邻居的邻居节点的特征信息聚合进来，从而使参与运算的信息就更多更充分。
层数越多，感知域就更广，参与运算的节点信息就越多。
对聚合之后特征信息做非线性变换，增加模型的表示能力。
二、GraphSAGE通用归纳框架
1.算法创新
《Inductive Representation Learning on Large Graphs》论文提出了GraphSAGE (SAmple and aggreGatE)，是一种归纳框架。
它可以利用节点特征信息来高效地为未出现过的节点生成Node Embedding。它不是为每个节点专门训Embedding，而是训练得到一个函数，这个函数功能是从节点的局部邻居节点采样并聚合特征信息。
图一是采样Sampling，以节点为中心进行广度优先遍历方式采样邻居节点，得到包含中心节点和它的邻居节点的子集。
使用采样一定程度上解决了计算资源压力的问题，使图神经模型可以在大规模图数据集上训练；
图二是训练一组聚合函数，这些函数学习如何从一个节点的局部邻居节点聚合所有的特征信息。
图三是连接中心节点特征信息和聚合来自邻居节点特征信息，预测图的上下文环境和节点的标签类别。
三、图神经网络在反欺诈上应用
在反欺诈领域，根据业务场景构建图，再结合图神经网络技术，挖掘欺诈团伙。
比如反垃圾注册场景，我们可以共用设备来构图，也可以构建账号和设备的异构图，这里的设备主要包括设备的deviceid、mac、imei和imsi等信息，
算法采用图神经网络GCN对图中结构信息和自身的特征进行有效的信息抽取和分析，挖掘垃圾注册团伙，能够大幅提高识别效果。
链接：https://zhuanlan.zhihu.com/p/59862502