图卷积神经网络（从算法到应用）

GCN有关学习资料：https://www.jianshu.com/p/8da425787830

下面我从3个方面介绍：

1）首先从大家熟知的业务场景出发，介绍图卷积的分析方法；【A.两个经典的业务场景】

2）然后以实际结合实验，介绍GCN在节点分类、人机判别中的简单应用；

B.利用GCN进行节点分类【https://cloud.tencent.com/developer/news/313536】

C.GCN在人机判别中的应用【https://www.jianshu.com/p/89fbed65cd04?winzoom=1&appinstall=0】

3）最后介绍GCN在一些论文中的应用。

D.在大规模推荐系统中用图卷积神经网络【https://zhuanlan.zhihu.com/p/49258190】

E.时空图卷积网络—基于动态骨骼的行为识别新方案【https://new.qq.com/omn/20180216/20180216A0CEAZ.html】

A.两个经典的业务场景

左图： 社交网络。上面的图刻画的社交网络中各个节点以及它们之间的关系，用户、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。通过这样一个空间结构图，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。

右图：电商场景。 电商中，关键节点就是用户、交易和商品。用户关联的节点比如会有注册地址、收获地址等；交易会关联到商品、收货地址、交易IP。这些节点之间的关系，比如用户除了可以通过交易购买商品，还可以对商品进行评分。通过对这样的结构进行图卷积，我们可以用来做推荐或是反欺诈。

 

除了这些推荐系统、电子交易，还有计算几何、脑信号、分子结构等抽象的图，对他们的分析都与图卷积息息相关。

• 分析方法

例如右图中：

① 分析特征： 如果我们要建立一个风控规则，要看这个用户的注册地址、IP地址、交易的收货地址是否一样，如果这些特征信息不匹配，那么系统就会判定这个用户就存在一定的欺诈风险。这是对图节点特征信息的应用。

② 分析结构： 如果某段时间某个IP节点连接的交易节点非常多，也就是说从某个IP节点延伸出来的边非常多，那么风控系统会判定这个IP地址存在风险。这是对图节点结构信息的应用。