圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network，GNN）是一種專門(mén)用于處理圖結(jié)構(gòu)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)主要處理向量或序列數(shù)據(jù)，而圖神經(jīng)網(wǎng)絡(luò)則致力于解決圖數(shù)據(jù)的表示學(xué)習(xí)、節(jié)點(diǎn)分類(lèi)、圖分類(lèi)、鏈接預(yù)測(cè)等任務(wù)。
　　圖數(shù)據(jù)由節(jié)點(diǎn)（Node）和邊（Edge）組成，節(jié)點(diǎn)表示實(shí)體，邊表示節(jié)點(diǎn)之間的關(guān)系或連接。圖神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)節(jié)點(diǎn)和邊之間的復(fù)雜關(guān)系，從而實(shí)現(xiàn)對(duì)圖結(jié)構(gòu)數(shù)據(jù)的分析和推理。
　　圖神經(jīng)網(wǎng)絡(luò)的思想是利用節(jié)點(diǎn)之間的鄰接關(guān)系和特征信息進(jìn)行信息傳遞和聚合。一般而言，圖神經(jīng)網(wǎng)絡(luò)的模型架構(gòu)包括以下幾個(gè)關(guān)鍵組件：
　　節(jié)點(diǎn)表示學(xué)習(xí)（Node Representation Learning）：將每個(gè)節(jié)點(diǎn)表示為一個(gè)向量，其中包含節(jié)點(diǎn)的特征信息和上下文關(guān)系。通常采用的方法包括將節(jié)點(diǎn)特征信息進(jìn)行編碼和聚合，以及利用鄰居節(jié)點(diǎn)的信息來(lái)更新當(dāng)前節(jié)點(diǎn)的表示。
　　圖結(jié)構(gòu)表示學(xué)習(xí)（Graph Structure Learning）：學(xué)習(xí)整個(gè)圖的全局表示，以捕捉圖的拓?fù)浣Y(jié)構(gòu)和全局特征。常見(jiàn)的方法包括圖卷積網(wǎng)絡(luò)（Graph Convolutional Network，GCN）、圖注意力網(wǎng)絡(luò)（Graph Attention Network，GAT）等。
　　圖表示學(xué)習(xí)任務(wù)（Graph Representation Learning Task）：根據(jù)圖的表示學(xué)習(xí)結(jié)果，進(jìn)行節(jié)點(diǎn)分類(lèi)、圖分類(lèi)、鏈接預(yù)測(cè)等任務(wù)。節(jié)點(diǎn)分類(lèi)是將每個(gè)節(jié)點(diǎn)分到預(yù)定義的類(lèi)別中；圖分類(lèi)是將整個(gè)圖結(jié)構(gòu)分到預(yù)定義的類(lèi)別中；鏈接預(yù)測(cè)是預(yù)測(cè)圖中未知的邊是否存在。

　　圖神經(jīng)網(wǎng)絡(luò)的層級(jí)結(jié)構(gòu)（Hierarchical Structure of GNNs）：圖神經(jīng)網(wǎng)絡(luò)通常具有多層的結(jié)構(gòu)，每一層都可以理解為一個(gè)信息聚合和傳遞的過(guò)程，從而逐步提取節(jié)點(diǎn)和圖的表示。

　　圖神經(jīng)網(wǎng)絡(luò)能做什么
　　越來(lái)越多的公司正在使用 GNN 改進(jìn)藥物研發(fā)、欺詐檢測(cè)和推薦系統(tǒng)。這些以及更多其他應(yīng)用都依賴于尋找數(shù)據(jù)點(diǎn)之間的關(guān)系規(guī)律。
　　研究人員正在探索 GNN 在計(jì)算機(jī)圖形學(xué)、網(wǎng)絡(luò)安全、基因組學(xué)和材料科學(xué)中的用例。近期的一篇論文描述了 GNN 如何利用圖形式的交通地圖改進(jìn)對(duì)到達(dá)時(shí)間的預(yù)測(cè)。
　　許多科學(xué)和工業(yè)領(lǐng)域已在圖數(shù)據(jù)庫(kù)中儲(chǔ)存了有價(jià)值的數(shù)據(jù)。通過(guò)深度學(xué)習(xí)，他們可以訓(xùn)練預(yù)測(cè)模型，從圖中挖掘出新穎的洞察。