Graph Convolutional Networks (GCN), Kipf et Welling ont publié un article intitulé « Graph Convolutional Networks (GCN) » lors de la conférence ICLR en 2017.Classification semi-supervisée avec réseaux convolutifs de graphes", qui a discuté en profondeur de la base théorique et de l'application du GCN.

GCN capture la structure locale et les informations sur les caractéristiques des nœuds du graphique via des opérations de convolution graphique, permettant ainsi un traitement et une analyse efficaces des données graphiques. Dans les réseaux convolutifs graphiques, les caractéristiques d'un nœud sont agrégées avec les caractéristiques de ses nœuds voisins pour mettre à jour l'état du nœud. GCN utilise généralement la matrice laplacienne du graphe pour définir la relation d'agrégation entre les nœuds et propager les caractéristiques des nœuds à travers cette relation. La clé du GCN est qu'il peut bien gérer les données structurées sous forme de graphes, ce qui le rend largement utilisé dans l'analyse des réseaux sociaux, la bioinformatique, les systèmes de recommandation et d'autres domaines.