输入数据的格式

符号表

符号	含义
$V$	整个图的点集
$V_{train}$	训练集
$V_{test}$	测试集
$V_s$	有监督的点集
$V_u$	无监督的点集
$N$	整个图的节点数
$N_{train}$	训练集节点数
$N_{test}$	测试集节点数
$N_s$	有监督的节点数
$N_u$	无监督的节点数
$F$	每个节点的特征数
$C$	分类的类数（此问题中是2）

点集的划分

所有节点被划分为训练集和测试集，即$V=V_{train}\cup V_{test}$。训练集用于训练模型，测试集用于评估模型。
其中训练集中节点被划分为有监督和无监督，即$V_{train}=V_s\cup V_u$。有监督的节点数应当远少于训练集的总节点数，即$N_s<<N_{train}$。所有节点都有标签，无监督的节点和测试集的标签用于评估模型。

输入的描述

输入包含x，tx，allx，y，ty，ally，graph，test.index，它们可以被分为：

1. 特征矩阵
2. 标签矩阵
3. 邻接矩阵
4. 索引集合

特征矩阵

特征矩阵的每一行表示一个节点，每一列表示一个特征。
所有特征矩阵的类型均为scipy.sparse.csr.csr_matrix。

1. x是一个$N_s\times F$的矩阵，表示有监督节点的特征矩阵
2. tx是一个$N_{test}\times F$的矩阵，表示测试集的特征矩阵
3. allx是一个$N_{train}\times F$的矩阵，表示训练集的特征矩阵

标签矩阵

标签矩阵的每一行表示一个节点，每一列表示一个分类。 所有标签矩阵的类型均为numpy.ndarray。

1. y是一个$N_s\times C$的矩阵，表示有监督节点的标签矩阵
2. ty是一个$N_{test}\times C$的矩阵，表示测试集的标签矩阵
3. ally是一个$N_{train}\times C$的矩阵，表示训练集的标签矩阵

邻接矩阵

邻接矩阵的$(i, j)$号元素表示节点$i$与节点$j$之间的边权。 邻接矩阵的类型为字典。 graph是一个$N\times N$的矩阵，表示整个图的邻接矩阵。

索引集合

test.index是一个包含$N_{test}$个元素的集合，表示测试集中所有节点的索引值。

存放方式

所有的输入文件按照上述命名，存放在gcn/data目录下。
其中特征矩阵、标签矩阵、邻接矩阵用pickle存放，test.index直接将数据用换行符分隔存放。