摘要： 處理圖結構數據的佼佼者！
更多深度文章，請關注雲計算頻道：
https://yq.aliyun.com/cloud
基於圖卷積網絡的圖深度學習
先簡單回顧一下，深度學習到底干成功了哪些事情！
深度學習近些年在語音識別，圖片識別，自然語音處理等領域可謂是屢建奇功。ImageNet：是一個計算機視覺系統識別項目， 是目前世界上圖像識別最大的數據庫，並且被業界熟知。
我們先回顧一下，沒有大數據支撐的歐式深度學習技術。對於一個字母“Z”的識別，我們通常是建立一個2D網格（點陣），如果將其中的點連接起來，定義這樣的連接方式所形成的就是“Z”。然后是用其他字母來測試，這個模型的正確性。
傳統深度學習的方法，實際上就是一種手工設計特征的過程。而且，在准確率上沒有保障。而真正的深度學習，端到端的學習，其中的過程到底發生了什么，設計者什么也不知道，自然也不會人為的去干涉。
如果數據不能網格化，那么CNNs就失去了作用。所以，CNNs在一定程度上還是有很多缺陷的。例如圖結構數據，如何處理？在現實世界中這樣的例子很多很多：社交網絡（著名的六度理論），萬維網，知識圖，等等這些都是圖結構，不是網格結構，對於這些我們該怎么解決。
下面是一個簡單的解決圖結構數據的方法。
這個方法到底會出現什么樣的問題呢？為了解決問題，我們需要什么呢？
先簡單介紹一下第一階消息傳遞的GCNs，這個理論在2009年就已經被提出來了。
接下來，我們了解一下GCN模型架構！
GCN模型架構到底能干什么呢？先舉個小栗子。
GCN模型與大名鼎鼎魏勒雷曼算法的關系到底是什么樣的呢？
圖的半監督分類也是一種不錯的方法。
半監督分類嵌入方法——兩步管道，這個方法也有一些問題，但我想這是可以解決的。
舉個小栗子，視頻鏈接是一個關於半監督學習的小例子，有興趣的朋友可以去看一下。
視頻：
http://tkipf.github.io/graph-convolutional-networks/
此外，還有關於引文網絡的分類，也可以 通過這個方法實現。
下面2-layerGCN模型的實驗結果
還要一些這個方法最近應用到其他程序的案例。
用這個方法關於圖auto-encoders鏈接的預測。下面是auto-encoders的介紹
Autoencoders
進一步的閱讀
Blog post Graph Convolutional Networks:
http://tkipf.github.io/graph-convolutional-networks
Code on Github:
http://github.com/tkipf/gcn
Kipf & Welling, Semi-Supervised Classification with Graph Convolutional Networks, ICLR 2017:
https://arxiv.org/abs/1609.02907
Kipf & Welling, Variational Graph Auto-Encoders, NIPS BDL Workshop, 2016: https://arxiv.org/abs/1611.07308
作者：Thomas Kipf
本文由北郵@愛可可-愛生活推薦，阿里雲雲棲社區翻譯。
文章原標題《Deep Learning on Graphs with Graph Convolutional Networks》，作者：Thomas Kipf，譯者：袁虎，審閱：我是主題曲哥哥，附件為原文的pdf。
文章為簡譯，更為詳細的內容，請查看原文