作者介绍的博客放在这里
以下是正文：
对于图的卷积网络，与图像等网络的不同就在于要思考：怎么对图的信息进行提取。
目前主要有两个方法，
- 从某个节点开始，根据某个规则向外扩展；
- 将整个图表示为特征矩阵，然后把后续的操作变成矩阵的运算与非线性变换。
在这种思路下，也有很多实现方式。
以节点为核心的思路
图嵌入 Graph Embedding
这种嵌入往往是把节点变成一个低维稠密的向量，进而方便操作。
怎么变成低维呢？也有很多方法，比如「深度游走 Deep Walk」，就是以某个节点为起始点，再把周围的点纳入考量，最后输入embedding层。当然，因为很多人在研究，因而这里的方法有很多，我所言明的只是一例。
图上节点的卷积
自然，类比图片的卷积，图上的节点也可以被像图片的像素一样卷积。那么，不同的节点其度数是不一样的，那么怎么整呢？有人就想到做个动态的，反正1-hop的给相同权值就行，就像一个圆形，可以无限精密、也可以很粗糙。
以图为核心的思路
这个就有意思很多了，简单来讲，对于一个$G=(V,E)$的图，我们可以用邻接矩阵和拉普拉斯矩阵表示。
每一层卷积，实际上就是对前一层的输出、图的邻接矩阵进行某个非线性变换。（为什么不是线性变换，以及线性变换会发生啥，留作思考题XD）也就是如下的公式 $$H^{l+1}=f(H^l,A)$$ 第一层的输入就是图的所有节点及其特征值、还有图的邻接矩阵，这样就理论上信息是完备的：我们给出了所有的节点信息、也给出了所有节点的连接信息。
那么从最简单的通式，到各种奇怪的变体，主要差异在于$f$，当然，也有在矩阵算法上进行优化的，不过不属于不同模型，此处略过。
啊，日后补全，我写到这里饿了，准备睡觉XD。