论文阅读：
https://arxiv.org/pdf/1810.05997
本篇文章核心贡献可以用一句话来总结 ：把 GNN 的 message passing 解耦，先用 MLP 做预测，再用 Personalized PageRank (PPR) 把预测在图上扩散。
这句核心话是什么意思？
传统 GNN = "学习 + 传播" 绑在一起，而APPNP = "学习（MLP）" 和 "传播（PPR）" 分开做。传统 GNN 的邻居传播为： ，特征变换为：
，神经网络学习权重为：
，这就意味着学习和传播是捆绑在一起的，每加一个 GCN 层，就是再做一次：邻居传播、参数学习、非线性激活；这也就导致了如果想扩大邻域，就只能"加层"，但加层会导致oversmoothing、训练难、参数多。
而APPNP 解决了 GCN 的两个大痛点：
- GCN 层数一深就 oversmoothing（节点表示变得一样）。随着层数深 → 相当于不断做邻居平均（Laplacian smoothing）， 层数太深 → 所有节点 embedding 趋于一样， 这称为 oversmoothing。
- GCN 的可用层数通常只有 2--3 层，因此GCN 只能看到很小的邻域（2-hop）。
- GCN 想扩大感受野必须加层、参数变多、训练变难。
如何解决问题？
GCN 的传播本质是 random walk，随机游走走太远就会变成全图 stationary distribution（与起点无关）。 为解决这个问题，论文把 random walk 换成Personalized PageRank (PPR)：
本质上加了"回跳（teleport）"机制，以 (1−α) 的概率走向邻居，以 α 的概率跳回根节点 i，**PPR 即使传播无限次，仍然保持节点的"个性化中心性"，不会失焦，**这正好解决 GCN 的 oversmoothing！
APPNP真正被使用的模型
用 Power Iteration（幂迭代）近似 PPR：
参考：
https://blog.csdn.net/fnoi2014xtx/article/details/107567629
https://blog.csdn.net/gitblog_00008/article/details/139916344