图神经网络（Graph Neural Network，GNN）是一种专门用于处理图结构数据的神经网络模型。传统的神经网络主要处理向量或序列数据，而图神经网络则致力于解决图数据的表示学习、节点分类、图分类、链接预测等任务。
图数据由节点（Node）和边（Edge）组成，节点表示实体，边表示节点之间的关系或连接。图神经网络通过学习节点和边之间的复杂关系，从而实现对图结构数据的分析和推理。
图神经网络的思想是利用节点之间的邻接关系和特征信息进行信息传递和聚合。一般而言，图神经网络的模型架构包括以下几个关键组件：
节点表示学习（Node Representation Learning）：将每个节点表示为一个向量，其中包含节点的特征信息和上下文关系。通常采用的方法包括将节点特征信息进行编码和聚合，以及利用邻居节点的信息来更新当前节点的表示。
图结构表示学习（Graph Structure Learning）：学习整个图的全局表示，以捕捉图的拓扑结构和全局特征。常见的方法包括图卷积网络（Graph Convolutional Network，GCN）、图注意力网络（Graph Attention Network，GAT）等。
图表示学习任务（Graph Representation Learning Task）：根据图的表示学习结果，进行节点分类、图分类、链接预测等任务。节点分类是将每个节点分到预定义的类别中；图分类是将整个图结构分到预定义的类别中；链接预测是预测图中未知的边是否存在。
图神经网络的层级结构（Hierarchical Structure of GNNs）：图神经网络通常具有多层的结构，每一层都可以理解为一个信息聚合和传递的过程，从而逐步提取节点和图的表示。
图神经网络能做什么
越来越多的公司正在使用 GNN 改进药物研发、欺诈检测和推荐系统。这些以及更多其他应用都依赖于寻找数据点之间的关系规律。
研究人员正在探索 GNN 在计算机图形学、网络安全、基因组学和材料科学中的用例。近期的一篇论文描述了 GNN 如何利用图形式的交通地图改进对到达时间的预测。
许多科学和工业领域已在图数据库中储存了有价值的数据。通过深度学习，他们可以训练预测模型，从图中挖掘出新颖的洞察。
