GCN(Graph Convolutional Network)模型是一種用於處理圖數據的深度學習模型，它基於圖結構的卷積操作進行信息傳遞和特徵學習。GCN的核心思想是利用鄰居節點的特徵來更新中心節點的表示，通過疊代地聚集鄰居節點的信息，逐漸將全局的圖結構信息融入到節點的特徵表示中。
GCN模型的套用包括節點分類、圖分類、連結預測等任務。其優點包括能夠處理不定長的圖結構數據，適用於各種類型的圖數據，如社交網路、推薦系統、生物信息學等，能夠捕捉節點之間的關係和全局的圖結構信息，從而提高節點特徵的表示能力，可以進行端到端的學習，不需要手工設計特徵。
GCN模型的基本組成包括多層圖卷積層，每一層的輸出作為下一層的輸入，最後一層輸出的節點特徵可以用於節點分類。GCN模型的訓練過程通常使用反向傳播算法進行最佳化，從而使得預測結果與實際標籤之間的誤差最小化。在訓練過程中，通常會使用dropout等正則化技術來防止過擬合。