图卷积网络（Graph Convolutional Network, GCN）

图卷积网络（Graph Convolutional Network, GCN）是一种用于处理图结构数据的深度学习模型。GCN编码器的核心思想是通过邻接节点的信息聚合来更新节点表示。

图的表示

一个图 G通常表示为 G=(V,E)，其中：

• V 是节点集合，包含 N个节点。
• E是边集合，包含图中所有的边。

节点特征矩阵

假设每个节点 i有一个特征向量 （维度为 F），所有节点的特征可以表示为矩阵 。

邻接矩阵

图的邻接矩阵 表示图中节点之间的连接关系，其中 表示节点 i和节点 j之间有边，反之为 0。

度矩阵

度矩阵是一个对角矩阵，其中 表示节点 i的度，即节点 i的邻居数量：

图卷积层

GCN编码器由多个图卷积层组成，每一层的运算可以描述为：

其中：

• ，即在邻接矩阵A中加上自环（self-loop），其中 I是单位矩阵。
• 是对应的度矩阵，计算方式与度矩阵 D类似，只不过这里考虑了自环。
• 是第 l层的节点表示矩阵，初始表示 。
• 是第 l层的权重矩阵。
• σ 是非线性激活函数（例如ReLU）。

归一化的邻接矩阵

因此，图卷积层的更新规则可以简化为：

GCN通常由多层图卷积层堆叠而成。假设有 L层，那么经过 L 层图卷积后，最终的节点表示为 。

聚合和更新

每一层的图卷积操作本质上是对每个节点的邻居节点信息进行聚合，然后通过线性变换和非线性激活函数进行更新。具体过程如下：

1. 聚合邻居信息：使用归一化的邻接矩阵对节点表示进行线性变换，得到聚合后的邻居信息。
2. 线性变换：通过权重矩阵 对聚合后的邻居信息进行线性变换。
3. 非线性激活：应用非线性激活函数 σ进行非线性变换。

最后

GCN编码器的结构可以通过如下递归公式表示：

初始状态下 ，经过 L层图卷积后，得到最终的节点表示 。每层的图卷积通过聚合邻居信息、线性变换和非线性激活来更新节点表示。