GCNConv 卷积核：图神经网络中的特征提取

GCNConv 是一种图卷积神经网络 (Graph Convolutional Network) 中常用的卷积层。它可以在图结构数据上进行卷积操作，从而提取图中节点的特征。

GCNConv 的传播公式可以如下表示：

h_i^(l+1) = σ(∑_(j∈N(i))1/c_ijW^(l)h_j^(l) + b^(l))

其中，h_i^(l+1) 表示第 l+1 层中第 i 个节点的特征向量，N(i) 表示节点 i 的邻居节点集合，c_ij 表示节点 i 和 j 之间的归一化常数，W^(l) 表示第 l 层的权重矩阵，h_j^(l) 表示第 l 层中第 j 个节点的特征向量，b^(l) 表示第 l 层的偏置向量，σ 表示激活函数。

在该公式中，首先对每个节点的邻居节点的特征向量进行加权求和，其中权重为归一化常数 c_ij。然后将得到的结果与当前节点的特征向量 h_i^(l) 相加，并通过激活函数进行非线性变换。

整个公式的含义是，每个节点的特征向量由它的邻居节点特征向量加权求和得到，并通过权重矩阵和激活函数进行变换。这样就可以在图结构上进行卷积操作，从而提取节点的特征。

需要注意的是，这里的归一化常数 c_ij 可以通过节点度数进行归一化，也可以通过其他方法进行计算。具体的归一化方式可以根据实际任务和数据集进行选择。