NIPS 2017。提出的方法叫 GraphSAGE，针对的问题是之前的 NRL 是 transductive，不能泛化到新结点上，而作者提出的 GraphSAGE 是 inductive。主要考虑了如何聚合顶点的邻居信息，对顶点或图进行分类。原文链接：[Inductive Representation Learning on Large Graphs](https://arxiv.org/abs/1706.02216)
NIPS 2016。DCNNs，写的云里雾里的，不是很懂在干什么。。。就知道是融入了转移概率矩阵，和顶点的特征矩阵相乘，算出每个顶点到其他所有顶点的 $j$ 步转移的特征与转移概率的乘积，成为新的顶点表示，称为diffusion-convolutional representation，然后乘以一个卷积核，套一个激活，卷积就定义好了。应用还是在顶点分类与图分类上。原文链接：[Diffusion-Convolutional Neural Networks](https://arxiv.org/abs/1511.02136)。
leetcode algorithms #5. Title: Longest Palindromic Substring
leetcode algorithms #4. Title: 两个排序数组的中位数.这题还没搞
重新定义了卷积的定义，利用$k$阶邻接矩阵，定义考虑$k$阶邻居的卷积，利用邻接矩阵和特征矩阵构建能同时考虑顶点特征和图结构信息的卷积核。在预测顶点、预测图、生成图三个任务上验证了模型的效果。原文链接：[Graph Convolution: A High-Order and Adaptive Approach](https://arxiv.org/abs/1706.09916)