关于点信息矩阵X三部分：点结构标签、点嵌入、点属性 问题

[huizhang1032]

尊敬的张博士： 您好！ 这篇论文我仔细研读了，但还有些具体地方没有弄明白，所以来请教。 问题1：点嵌入、点属性具体是指是什么？我查了一下资料，我的理解就是图中节点的向量表示，这里不知道是不是，节点属性是 度 吗 问题2：信息矩阵X的构建，论文说是向量连接起来，具体是怎么连接的呢？可以用图的方式说明一下吗？或者就以矩阵表示，信息矩阵X每行代表什么，每列代表什么？ 问题3：f(A,X),(A,X)是不是这两个矩阵的拼接作为输入，最后的输出结果是带标签的0或者1，以表示中心节点对（x,y)是否存在链接？

[huizhang1032]

文中没有提到loss function和如何训练,具体是怎么训练的呢？

[muhanzhang]

尊敬的张博士： 您好！ 这篇论文我仔细研读了，但还有些具体地方没有弄明白，所以来请教。 问题1：点嵌入、点属性具体是指是什么？我查了一下资料，我的理解就是图中节点的向量表示，这里不知道是不是，节点属性是 度 吗 问题2：信息矩阵X的构建，论文说是向量连接起来，具体是怎么连接的呢？可以用图的方式说明一下吗？或者就以矩阵表示，信息矩阵X每行代表什么，每列代表什么？ 问题3：f(A,X),(A,X)是不是这两个矩阵的拼接作为输入，最后的输出结果是带标签的0或者1，以表示中心节点对（x,y)是否存在链接？

1） 点嵌入就是用network embedding方法，例如DeepWalk/Node2vec/LINE，从网络结构中算出的节点向量表示。点属性是节点的原始特征，如电影的类型、用户的性别、年龄、爱好等。两者是不一样的。 2） 每行是连接的node label (one hot形式) + node embedding + node feature，后两项是可选的，不加也可以。每列代表一个节点属性/嵌入的维度。 3） (A,X)不是两个矩阵的拼接。你需要具体理解图神经网络和普通MLP的区别，可参阅https://muhanzhang.github.io/papers/AAAI_2018_DGCNN.pdf 输出结果是个score，代表存在link的概率。

[muhanzhang]

文中没有提到loss function和如何训练,具体是怎么训练的呢？

具体loss function和训练过程请参照图分类部分的pytorch_DGCNN代码。