一、快速理解GNN
{1,1,1,1,1}代表特征
GNN有三种操作：
1 聚合：BCD的特征可以在一定程度上决定A的类别。经过一次聚合后，邻居信息N=b*{2,2,2,2,2}+c*{3,3,3,3,3}+d*{4,4,4,4,4}，bcd是训练出的或者手动设置的（常作为文章的改进点，比如B很重要就设置的高一点）
2 更新：A的信息=σ(W*{1,1,1,1,1}+α*N)，就是一次GNN操作得到的A的信息。
3 循环：多层：第二次聚合时，C中包含了E的信息，所以更新A时也会包含到E的信息。
得到结点特征后，可以做结点分类，直接拿去分类，算loss，优化W和其他权重
还可以做关联预测，两个节点的特征一拼，拿去做分类，一样算loss，优化。
归根结底，GNN就是个提取结点特征的方法，可以得到graph的结构信息。输入A的特征和graph的结构，得到A的最终特征。
二、快速理解GCN
GCN就是用来解决bcd值如何设定的问题。
平均法：
邻居的特征加起来权重平均，但是忽略了自身的特征
一般会添加一个自环把结点自身特征加回来。
但是平均法存在问题，A只有B一个邻居
代进公式计算A特征时，B的所有特征聚合过来都会加到A上，GCN就用来解决这个问题。
D为度矩阵
通过这个操作，使得如果Djj很大，开根号再取倒数，整个值就很小了。
这个式子称为对称规划拉普拉斯矩阵
GCN就是在平均法的基础上，对每个结点的度做了一个对称归一化。
三、R-GCN
Modeling Relational Data with Graph Convolutional Networks
这样学出来的A和B也会很像。
relational-GCN
Nri表示i结点在r关系下的邻居j，c是人为设定或通过邻居节点数来算的常数，W0hi是节点自己在上一层的特征，W是权重。
不同关系的是分开算的，不同的关联会聚合不同的信息，有不同的W。
无向图变成有向图，把in和out看成不同的关系。
GCN和R-GCN的任务：
a 对未知的节点进行分类。
b 对两个未知关系的节点预测它们是什么关系。（如B和E的特征直接拼起来或向量乘(DistMult)，再做分类，看有没有关系）
四、Should Graph Convolution Trust Neighbors? A Simple Causal Inference Method
