“here are some fun GNN papers to implement in order of increasing difficulty”
Semi-Supervised Classification with Graph Convolutional Networks
图卷积网络 GCN:在图结构数据上做半监督节点分类
论文提出一种可扩展的图半监督学习方法:直接在图上运行的卷积神经网络变体,其结构由谱图卷积的局部一阶近似推导而来。模型计算量随图的边数线性增长,隐层同时编码局部图结构和节点特征。在引文网络和知识图谱数据集上,它显著优于相关方法。
HN 上有人把它列为值得从头实现的“由易到难”GNN 论文之一,也有人在讨论树结构数据时提到它,作为图卷积层的代表。
学习路径
读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出这条路径先看词向量与基于随机游走的节点嵌入(DeepWalk)这条图表示学习的前史,再补上残差连接,最后读 GCN 如何用一阶谱近似直接在图上做卷积。
- 1
word2vec 的 skip-gram 是 DeepWalk 的方法来源,也是「学习表示」思路的起点。
读skip-gram 目标与词向量的含义;先抓概念,不必深究训练细节。
- 2
DeepWalk 把随机游走当作句子,用 skip-gram 学节点嵌入,是 GCN 要对比的基线方法。
读随机游走生成节点序列再套用 skip-gram 的流程,以及它的局限(不使用节点特征)。
- 3
GCN 在加深层数的讨论里借用了残差连接。
读残差块 y = F(x) + x 的基本形式,为什么能让更深的网络可训练。
- 4Semi-Supervised Classification with Graph Convolutional Networks
以谱图卷积的局部一阶近似推出简单高效的 GCN 层,在引文网络上做半监督节点分类。
读从谱卷积到 GCN 传播规则的推导,以及带重归一化技巧的层公式。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及“there might be models which could be more naturally applied to the tree structure directly”
“EDIT: found it! Semi-Supervised Classification with Graph Convolutional Networks”