GCN代码阅读
load_data方法，该工程数据源有3套，每套有8个数据文件，以文件后缀作为标识，以默认的croa数据集为例，包含以下数据文件：
x：numpy的稀疏矩阵格式，size=(140, 1433)，代表训练集140个节点的特征向量，用稀疏矩阵的原因是特征向量以onehot形式展开；
y：numpy array格式，size=(140, 7)，代表训练集140个节点的y值，以onehot的形式展开，有7个类别；
tx：numpy的稀疏矩阵格式，size=(1000, 1433)，代表测试集1000个节点的特征向量；
ty：numpy array格式，size=(1000, 7)，代表测试集1000个节点的y值；
features: lil_matrix稀疏格式，size=(2708, 1433), 代表全部节点的特征向量；
graph：图关系，字典格式，key为节点，value为邻居列表；
y_train: 保留0-140，其余部份设置为0；
y_val: 保留141-639，其余部份设置为0；
y_test: 保留1708-2707，其余部份设置为0；
def sparse_to_tuple方法，mx.row, mx.col表示非0元素在稀疏矩阵中的坐标，非0元素通过以下三个变量进行描述：coords，values和shape，sparse_mx(coords, values, shape)为tuple。
直接定位到sparse_mx = to_tuple(sparse_mx)这一行再看to_tuple，实际上是将原来的feature从csr_matrix转化为coo_matrix，并且输出特征向量coords, values, shape（有值位置的坐标，值，特征向量的shape）三要素作为元组。这里有两个矩阵，分别是近接矩阵和节点特性向量矩阵，由于这两个都是1,0稀疏格式因此采用scipy的稀疏矩阵格式，其中邻接矩阵采用csr_matrix方便计算对称归一化，而特征矩阵采用的是先lil_matrix方便做行切片，最后转化为coo_matrix，原因是特征矩阵需要使用占位符placeholder传入模型内部，而邻接矩阵是全局共享不变的不需要占位符，而稀疏站位符tf.sparse_placeholder的格式是（行列索引，值，shape）和coo_matrix对应，因此代码中最后转化为coo_matrix。
scipy.sparse的多种稀疏矩阵的区别：csr_matrix，lil_matrix和coo_matri
csr_matrix：压缩稀疏行矩阵，该种格式常用于稀疏矩阵的运算，以及高效的行切片操作。
lil_matrix：基于行连接存储的稀疏矩阵，该种格式用于高效地添加、删除、查找元素，同时高效的行切片操作。
coo_matrix：坐标格式的矩阵，不同稀疏格式间转换效率高，coo_matrix不支持元素的存取和增删，一旦创建之后，除了将之转换成其它格式的矩阵，几乎无法对其做任何操作和矩阵运算。
def preprocess_features(features)对节点的特征向量做行L1归一化，每一行的和是1，具体实现是创建了一个每一行和的倒数的对角矩阵乘以特征向量，sparse_to_tuple(features)最终数据类型与sparse_mx相同。
利用Chebyshev多项式拟合卷积核是GCN论文中广泛应用的方法，切比雪夫多项式数学解释参考：https://zhuanlan.zhihu.com/p/106687580
def chebyshev_polynomials(adj, k):
"""Calculate Chebyshev polynomials up to order k. Return a list of sparse matrices (tuple representation)."""
print("Calculating Chebyshev polynomials up to order {}...".format(k))
adj_normalized = normalize_adj(adj)
laplacian = sp.eye(adj.shape[0]) - adj_normalized
largest_eigval, _ = eigsh(laplacian, 1, which = 'LM')
scaled_laplacian = (2. / largest_eigval[0]) * laplacian - sp.eye(adj.shape[0])
t_k = list()
t_k.append(sp.eye(adj.shape[0]))
t_k.append(scaled_laplacian)
def chebyshev_recurrence(t_k_minus_one, t_k_minus_two, scaled_lap):
s_lap = sp.csr_matrix(scaled_lap, copy = True)
return 2 * s_lap.dot(t_k_minus_one) - t_k_minus_two
for i in range(2, k+1):
t_k.append(chebyshev_recurrence(t_k[-1], t_k[-2], scaled_laplacian))
return sparse_to_tuple(t_k)
t_k为list类型，size为4。t_k[0]为单位矩阵I，t_k[1]为经过变换的拉普拉斯矩阵，t_k[2]与t_k[3]分别为卷积核。
转自：https://www.jianshu.com/p/bb38e9ca6347