GCN

Graph Convolutional Network

Transductive / Inductive Task

transductive 转导任务：训练阶段与测试阶段都基于同样的图结构，如 pubmed cora 数据集。

常见算法：LabelPropagation SemiEmb ManiReg DeepWalk

Inductive 归纳任务：训练阶段与测试阶段都基于不同的图结构，可对未知测试点进行预测，如 protein-protein interaction 数据集

常见算法：GAT，GraphSAGE-GCN/LSTM/mean，

GraphSage

Spatial Domain

基于空域卷积的方法直接将卷积操作定义在每个结点的连接关系上，它跟传统的卷积神经网络中的卷积更相似一些。在这个类别中比较有代表性的方法有 MPNN GraphSage MoNet

Spectral Domain

这就是谱域图卷积网络的理论基础了。这种思路就是希望借助图谱的理论来实现拓扑图上的卷积操作。从整个研究的时间进程来看：首先研究 GSP（graph signal processing）的学者定义了 graph 上的 Fourier Transformation，进而定义了 graph 上的 convolution，最后与深度学习结合提出了 Graph Convolutional Network。

GCN

谱域，inductive 任务，拉普拉斯矩阵

GraphSAGE

《Inductive Representation Learning on Large Graphs NIPS17》 PDF

空域，inductive 任务

https://zhuanlan.zhihu.com/p/62750137

预测任务，输出：给定节点的标签，输入：采样1、2条节点的 embedding 进行聚合

PinSage

《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》PDF

https://zhuanlan.zhihu.com/p/63214411

EGES

《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba》KDD18

可以根据用户的历史行为来构建商品图（如上图的a和b，根据用户的一些点击记录，依照连续点击应该存在关系，可以构造出如b一样的item graph），并学习图中所有商品的嵌入（如图c的带权随机游走采样，用deepwalk思想基于skip-gram训练embedding）。这一步就是作者描述的Base Graph Embedding（BGE）。

为了减轻稀疏性和冷启动问题，将边信息合并到图嵌入框架中。即增加商品的属性，如品牌，价格等。然后就升级成了Graph Embedding with Side information (GES)，并且对不同的side Information加权得到Enhanced Graph Embedding with Side information (EGES)。