论文阅读笔记：GAS---spam review detection with graph convolutional networks

3.3.3 Time-related sampling strategy

如下图，假设 $\{e_0,e_1,e_2\}$ 是将被检测的一个batch里的三条边，这时，如果我们要更新 $e_0$ 的embedding，就需要先计算 item $i_0$ 和 user $u_0$ 的embedding。

假设我们的最大采样数是2，从 item 的角度来看，我们将从 $\{e_3,e_4,e_5\}$ 里选择与 $e_0$ 发布时间最相近的两条评论，假设我们选择的是 $e_3,e_4$ ，那么item $i_0$ 将会聚合 $\{e_3,u_1\}$ 和 $\{e_4,u_2\}$ 的信息来更新自己。从 user 的角度来看， $\{e_6,i_1\}$ 将被用来更新user $u_0$ 。
论文阅读笔记：GAS---spam review detection with graph convolutional networks

3.3.4 Incorporate GCNs with Text Classification Model

每个user节点和 item节点在 layer 0 的特征是它们自身的属性特征，那么每条边的初始输入特征呢？由于，每条边代表一条评论，经Word2Vector方法预处理，得到文本的 embedding，再将其输入TextCNN（text classification model)，最终输出comment的 embedding.
$h_{e}^{0}=\operatorname{Text} \mathrm{CNN}\left(w_{0}, w_{1}, w_{2}, \cdots, w_{n}\right)$