2.5.1　循环图神经网络

循环图神经网络（Recurrent Graph Neural Network，RGNN）大多是GNN的先驱作品。它们在图的节点上反复应用相同的参数集，以提取高级节点表示形式。由于早期受计算能力的限制，之前的研究主要集中在有向无环图上。Scarselli等人提出的图形神经网络（GNN * 2），扩展了先前的递归模型以处理一般类型的图，如非循环图、循环图、有向图和无向图。基于信息扩散机制，RGNN通过周期性地交换邻域信息来更新节点的状态，直到达到稳定的平衡为止。

目前基于门控机制的循环神经网络机制下的图神经网络结构的研究也有不少，例如，基于门控循环单元（GRU）的门控图神经网络（GGNN），通过门控循环单元控制网络传播过程中固定步数的迭代循环来实现门控图神经网络的结构，通过节点来建立相邻节点之间的聚合信息，然后通过循环门控单元来实现递归过程更新每个节点的隐藏状态。