图卷积网络GCN
图卷积网络研究的对象是图数据，研究的模型是卷积神经网络。
1. 为什么会出现图卷积神经网络？
普通卷积神经网络研究的对象是具备Euclidean domains的数据，Euclidean domains data数据最显著的特征是他们具有规则的空间结构，如图片是规则的正方形，语音是规则的一维序列等，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效。
然而，生活中很多数据不具备规则的空间结构，称为Non Euclidean data，如，推荐系统、电子交易、分子结构等抽象出来的图谱。这些图谱中的每个节点连接不尽相同，有的节点有三个连接，有的节点只有一个连接，是不规则的结构。对于这些不规则的数据对象，普通卷积网络的效果不尽人意。下面展示一些图数据：
社交网络非常适合用图数据来表达
上面的图谱刻画社交网络中节点以及节点与节点之间的关系，用户A（有ID信息等）、用户B、帖子都是节点，用户与用户之间的关系是关注，用户与帖子之间的关系可能是发布或者转发。通过这样一个图谱，可以分析用户对什么人、什么事感兴趣，进一步实现推荐机制。
从以上数据可以看出，图数据有几下几个特点：
1） 每个节点有自己的特征；（点）
2） 图数据中的每个节点具有结构特征，即节点与节点存在一定的联系。（边）
总地来说，图数据既要考虑节点信息，也要考虑结构信息，图卷积神经网络就可以自动化地既学习节点特征，又能学习节点与节点之间的关联信息。
2. 什么是图卷积神经网络？
图卷积神经网络就是一种处理图数据的深度学习方法。
图卷积算子：
图卷积算子的计算公式如上，设中心节点为i；（Wrj可以看作滤波器）
3. 分三步理解图卷积神经网络
第一步：发射（send）每一个节点，将自身的特征信息经过变换后发送给邻居节点。这一步是在对节点的特征信息进行抽取变换。（一个节点与相邻所有节点相连的边均含有相同信息，同一个节点出来的边颜色相同）
第二步：接收（receive）每个节点，将邻居节点的特征信息聚集起来。这一步是在对节点的局部结构信息进行融合。（融合节点与所有其相邻节点的信息。）
第三步：变换（transform），把前面的信息聚集之后做非线性变换，增加模型的表达能力。
更形式化地说，图卷积网络（GCN）是一个对图数据进行操作的神经网络。给定图 G = (V, E)，GCN 的输入为：
•一个输入维度为 N × F⁰ 的特征矩阵 X，其中 N 是图网络中的节点数而 F⁰ 是每个节点的输入特征数。
•一个图结构的维度为 N × N 的矩阵表征，例如图 G 的邻接矩阵 A。
因此，GCN 中的隐藏层可以写作 Hⁱ = f(Hⁱ⁻¹, A))。其中，H⁰ = X，f 是一种传播规则。每一个隐藏层 Hⁱ 都对应一个维度为 N × Fⁱ 的特征矩阵，该矩阵中的每一行都是某个节点的特征表征。在每一层中，GCN 会使用传播规则 f 将这些信息聚合起来，从而形成下一层的特征。这样一来，在每个连续的层中特征就会变得越来越抽象。在该框架下，GCN 的各种变体只不过是在传播规则 f 的选择上有所不同 。
4. 图卷积网络与普通卷积神经网络的共同点
1)、局部参数共享，算子适用于每个结点，处处共享；
2)、感受野正比于层数，第一层的节点只包含与直接相邻节点有关的信息，第二层以后，每个节点还包含相邻节点的相邻节点的信息，这样的话，参与运算的信息就会变多。层数越多，感受野越大，参与运算的信息量越充分。
圆圈代表算子
5. 图卷积网络的网络架构和性质
输入:一张图
输出:一张图
GCN模型同样具备深度学习的三种性质：
1)、层级结构（特征一层一层抽取，一层比一层更抽象，更高级）；
2)、非线性变换 （增加模型的表达能力）；
3)、端对端训练（不需要再去定义任何规则，只需要给图的节点一个标记，让模型自己学习，融合特征信息和结构信息。）
6. GCN四个特征
1)、GCN 是对卷积神经网络在 graph domain 上的自然推广。
2)、它能同时对节点特征信息与结构信息进行端对端学习，是目前对图数据学习任务的最佳选择。
3)、图卷积适用性极广，适用于任意拓扑结构的节点与图。
4)、在节点分类与边预测等任务上，在公开数据集上效果要远远优于其他方法。
7. GCN实际应用
实验输入是一个验证数据构成的图数据，节点是验证事件以及事件相关的属性节点。如IP，DeviceID，UA等节点。（我们总计用了30天的验证数据，每两个小时的数据构成一张图，共360张图。）
实验输出是对事件节点进行人机分类，正常或者异常。
实验细节
网络结构：
GCN(128)->GCN(64)->GCN(64)->Linear(2)
训练: Adam优化器, lr=0.001
参照基准: 以只能学习特征信息的GBDT做为基准, grid_search 搜索超参数，GBDT是目前最流行的浅层分类器。
我们用第一天的数据做训练，持续30天预测结果如下：
GCN模型的准确率衰减比较小，而GBDT的衰减很严重。可见，GCN模型的人机判别效果要好，鲁棒性好。
7d评估效果可视化，（用第一天的数据训练模型，第七天观察其预测效果及最后一层输出的tsne可视化结果)。上图可以看出，GCN在第七天时对样本判别的分界面仍很明显，但是GBDT对样本判别的分界面已经很模糊类了。综上，GCN学到的结构信息在人机判别中不仅效果很好，也具有更好的鲁棒性。
https://www.jianshu.com/p/89fbed65cd04?winzoom=1