传统的CNN利用一个共享参数的卷积核，通过计算中心像素点以及相邻像素点的加权和构成feature map实现空间特征提取，在图像分类、语义分割、机器翻译等领域都取得了很好地效果。但是CNN也存在一个弊端，就是只能处理Euclidean结构的数据，对于图结构数据无法保持平移不变性（图中每个顶点的相邻节点数据可能不同，无法使用一个固定尺寸的卷积核进行卷积运算）。
GCN通过将局部的图结构和节点特征结合，可以实现图结构数据的卷积操作。图卷积大致可分为两类：
空间卷积：找出中心节点的邻居节点，再基于中心节点的邻居节点进行传统卷积操作。谱图卷积：基于图上的傅里叶变换，借助图的Laplacian矩阵的特征值和特征向量，定义图上的卷积。这里我们主要关注谱图卷积。
关于GCN的基本原理及公式推导，强烈下面几篇资料：
从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi）GCN (Graph Convolutional Network) 图卷积网络解析主要内容：CNN，拉普拉斯矩阵，Graph上的傅里叶变换及卷积，Graph Convolution
文章【Wavelets on graphs via spectral graph theory】提出利用切比雪夫多项式来进行近似，降低前向传播高复杂度的问题。
接着，文章【Semi-supervised Classification with Graph Convolutional Networks】在切比雪夫多项式近似的基础上进一步简化，提出一阶近似，通过叠加多层GCN来达到经典卷积层的功能。（该文中的GCN形式，其实是二阶Chebyshev多项式推导出的特例） 参考博客：【GCN】论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
