图的邻接矩阵能不能看做是渐进变化的？就是一个图一开始有点性质，然后这个性质慢慢发展，得到了现阶段的图。而不是现在这样直接拿图来使用。感觉有点像图的傅里叶变化。
Muhan Zhang (张牧涵)
Zhewei Wei (魏哲巍)
负采样方法和GCN的PairNorm之间的关系，KMBPR可否转换为等价的PairNorm？
BPR做的是反向传播中拉宽不邻接的节点距离，同时拉进邻接的节点，GCN做的前向传播时是拉进邻接的节点距离，间接拉宽不邻接的节点距离。PairNorm同时提出了这两点。能否去掉反向传播，用类似于迭代或者计算的方式得到embedding?
优化网络结构被证明是可行的，中科院自动化所张兆翔老师的一系列工作可以参考，汤继良组的L1范数的GCN可否变成一个网络结构——优化过程变成网络结构
三元组负采样方法 BPR、KMBPR中的K能不能以更概率的方式描述它，最好建立起其范围的理论
BPR随机挑选负样本，实际上和GCN多层聚合是有矛盾的（朋友的朋友更有可能是朋友，但BPR未把这些考虑进去）
可以通过算熵来衡量分布的异构性
GCN要考虑类似于马尔科夫链中的class，看看能不能处理冷启动问题
BGCN看能不能从马尔科夫性来建模，看能不能用马尔科夫+某种到达分布来算出系数。
类似于库存轮中对市场预测变化不敏感的情况，我们可以将神经网络作为预测的功能，再接一个对预测不敏感的模块，这样实现了智能和理论性还有鲁棒性。
LightGCN两方面：一是GCN的聚类，二是BPR的远离。这与杨猛老师的人脸识别的论文（正弦定理）那一偏内在逻辑是相同的，看能不能通过用文章的原理导出GCN归一化层（PairNorm那样）
或者找到理论依据。
可以从GCN压缩角度来考虑此问题。
借助newman那篇message passing 文章的渗流理论，和因果推断中无偏估计，完善一下idea。
GNN 的多层看作是信息传播（Message Passing）的过程，有些信息传播远，有些近，因此便不能一视同仁地传播几层。最开始的节点信息可以就是早些时候的信息源，随着传播发展到了现在的信息，接着就可以预测未来的信息。
图上使用SIFT 捕捉不同尺度的message传播（现在GNN一般都是多层，有点像多尺度金字塔），还有小波变化、维纳滤波等图像处理里提到的内容
GNN+NMF，其中每个隐向量按照topic model的方式生成，更加进一步地融合GNN和非负矩阵分解的模型；具体来说每个topic都在网络中传播，都对应着一个GNN（但是传播层数可能不一样）。
基于online learning的推荐系统：将用户购买过的每个物品当做专家，专家会预测用户购买另一个物体的概率，用户采用Hedge算法集成专家意见。
可解释性推荐系统：利用shap加图神经网络那种线性的算法应该可以算出点什么，同时可以完成解释的任务。
shapley value的删除操作和GNN中的random drop 可以联系起来，但是计算量太大了。
我的SHAPIS算法可能可以和GNN思想结合起来导出新的可信GNN结构。