现在最常用的是GCN，所以首先讲解。后面再根据模型的发展历程讲解。
图卷积神经网络GCN
原文：GNN | 从序列神经网络到GCN、GraphSage、GAT图模型总结
我们发现，无论是序列结构，还是图结构，其在增强token表示的过程，实际上是融合上下文信息的过程。以CNN为例，其通过滑窗的方式，学习到的是制定n-gram的共现信息(其中的n取决于卷积核的大小)，LSTM学习的是上文之间的依赖关系，双向LSTM建模的是上下文之间的关系。这种上下文的获取是很直接的，可以是整个句子，也可以是指定的窗口。
但对于GNN而言，对应的token的上下文则是其一阶邻居或者二阶邻居，将邻居的特征融入到该token上的方式很直观的想法就是不同邻居的特征，按照不同的贡献度(权重)，联合自身的特征进行加权求和，像能量传递一样，传递给当前token，并得到该token的总体能量表示。这也就是常说的聚合操作。
因此，为了实现上述过程，我们至少需要有以下输入：
我们需要针对每一个节点，再每次特征聚合时，都拿到一阶邻居和自身信息。这就用到了就邻阶矩阵。
-
每个token节点的特征信息，即特征矩阵X。就像CNN的输入一样，我们针对每个词，可以通过lookup embedding的方法获取每个词对应的embedd表示(通过word2vec训练得到)，可以是100维、300维等。当然也有其他的特征表示方法，如收集特征，然后对应的获取指定特征项上的值。
-
每个token的上下文信息，即邻阶矩阵A。图的上下文信息通过邻接矩阵(记录了每个节点对应的邻居信息)实现，而为了获取自身的信息，需要添加一个自环操作，即邻接矩阵+对角矩阵(对角线值为1，其余为0)。
-
上下文贡献信息，即度矩阵D。上面说到当前节点token，其接受到其上下文节点的信息，但需要有不同的权重，这个权重比较直观的想法就是借助当前节点的邻接个数来说，如果邻接个数多，那么每个对应的节点开源所贡献就会被分解，因此，可以通过计算每个节点对应的邻居个数，得到一个度矩阵，然后再求倒数(取逆)，得到对应的值。而对于度数很大的超级节点，其值趋近于0，所以通常也会先对度开根号，然后再取逆。
因此，很自然的，有了上述三个矩阵，做一个连乘，即\(D*A*X\)，将token节点的特征矩阵，通过邻阶矩阵获取上下文节点及其对应的特征，再乘以根据对应的权值，就完成了可以将每个token节点一阶邻居在相同维度上的特征值进行聚合(最简单的是直接相加)。
进一步的，我们将这一过程纳入神经网络当中进行拟合学习，需要用到一个参数矩阵W，一个激活函数，如Relu，得到经过一层GNN后得到的节点隐藏状态表示H。
当然，这是比较朴素的方法，在实际的工作中，会使用归一化后的邻阶矩阵进行处理。
发展历程
原文：回顾频谱图卷积的经典工作：从ChebNet到GCN
图卷积神经网络2-谱域卷积：SCNN/ChebNet/GCN的引入和介绍
https://www.zhihu.com/question/54504471/answer/3328747512
从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (一)
https://www.cnblogs.com/SivilTaram/p/graph_neural_network_1.html
SCNN
ChebNet
对SCNN进行简化（砍手砍脚）
GCN
再ChebNet基础上，再次对SCNN进行简化（只剩头部）
Graph Transformer
为什么可以使用？ Transformer有能力将其他节点的信息 附加到 该节点，和GCN的目的一致。
关键点是什么？ position embedding，需要position embedding将本节点与有关系的节点表示出来。
使用了什么position embedding（PE）？
-
Global PE
-
Local PE
-
Relative PE
-
Structural PE