图卷积神经网络（Graph convolutional networks GCNs）是一种通过堆叠图卷积层来集成节点高阶邻域信息的神经网络，被广泛应用于许多网络分析任务（节点分类、链路预测等）。然而，GCNs存在着不可避免的局限性：拓扑局限性（过度平滑，局部同质性），这些严重限制了其表示网络的能力。现有的工作（如拓扑优化、自监督等）主要通过将特征在拓扑上进行卷积来缓解GCNs的拓扑限制，这使得卷积结果严重依赖于网络拓扑结构。与此同时，在真实世界中，网络很多是富文本网络（即text-rich networks），多数现有方法在卷积时仅考虑了全局（文档）级别的特征信息，而忽略了局部（单词）级别的文本序列信息。为了解决这些问题，我们提出了一种新的GCN架构（BiTe-GCN），对拓扑结构和特征的进行联合卷积进而学习更好的节点特征。具体来说，我们首先将原始的富文本网络增广为一个双类型（bi-typed）异构网络，进而获取全局(文档)级别信息和局部文本序列信息。其次，我们设计了一种有辨别力的卷积机制，在同一系统中实现拓扑结构和特征的联合卷积，并针对不同目标任务自动学习拓扑结构与特征分别对目标任务的贡献。

https://arxiv.org/abs/2010.12157