GCN神奇的地方在于，能够聚合一个node附近的node特征，通过加权聚合学习到node的feature从而去做一系列的预测任务。
一次卷积操作的公式如下：
公式中：
实现了对图中每个node的邻居node进行加权求和，利用与参数矩阵W相乘进行线性变换以及非线性变换函数(如RELU) 得到新一层的node的特征的形式，迭代计算每个node的特征，然后通过层传播进行卷积操作，最后更新node的特征。
为什么要对矩阵A归一化：
矩阵 A 没有归一化，AH 会把节点所有邻居的向量都相加，这样经过多层卷积后某些节点的特征向量的值会很大。因为邻接矩阵没有被规范化，这在提取图特征时可能存在问题，比如邻居节点多的节点倾向于有更大的特征值
详细讲解link：
综上：
