一、为什么要图卷积？
层级结构：每一层的训练结果依赖于上一层的。
图像二维数据，语音一维数据可以二维表示。可通过欧几里得空间数据进行表示。
然而也有无法表示的，例如微信数据里的人与人之间关系，图（无距离信息，空间信息）。因而出现了图卷积。
频域与时域两条线，GCN可以用于时域的处理。
二、图卷积基本框架：
5个点，形成5x5的邻接矩阵。形容两两之间是否有一条边，矩阵是对称的，看一半就行。
两个矩阵，输入邻接矩阵，点乘特征矩阵，更新特征矩阵，使其收敛（求内积）。
图卷积中，加入了邻接矩阵的信息。更新H(l+1)。
存在问题：对角线为0，无法提取自身信息。解决：引入D矩阵，度矩阵，统计各节点有几条边。D^-1/2是对D求逆，开根号。
D-A：度矩阵减邻接矩阵是拉普拉斯矩阵。
CNN权重是随机产生的。GCN的W权重不是很重要。W矩阵是自适应的更新。
核心：两个矩阵。
特征提取：已经很成熟了。
边变点。点变边。
三、知识图谱
蓝色点为用户1感兴趣的点，黄色的是没观察到的用户感兴趣的点，灰色的是没观察到的用户不感兴趣的点。
目的是给用户推荐黄色的，不推荐灰色的。
标签顺滑：
