图神经网络 (GNN) 中的嵌入是节点、边或整个图的数值表示，用于捕获它们的结构和基于特征的关系。这些嵌入使 GNN 能够使用标准机器学习技术处理图数据——图数据本质上是非欧几里得的。核心思想是将每个节点或边映射到连续空间中的一个密集向量，保留节点连通性、特征相似性或社区结构等属性。例如，在社交网络图中，嵌入可以将用户兴趣和友谊模式编码到向量中，模型可以使用这些向量来完成推荐或分类等任务。
GNN 通过迭代消息传递步骤生成嵌入，其中节点聚合来自其邻居的信息。一种常见的方法是从初始节点特征（例如，社交网络中的用户个人资料）开始，并通过将其当前状态与来自相邻节点的聚合数据相结合来迭代更新每个节点的嵌入。例如，图卷积网络 (GCN) 应用相邻节点特征的加权平均值，而 GraphSAGE 对邻居进行采样并使用平均值或 LSTM 等聚合函数。这些方法确保嵌入反映局部结构（直接连接）和更广泛的图拓扑。例如，在引文网络中，论文的嵌入可能包含其自身的关键词和被引用论文的主题，从而实现预测研究领域等任务。
嵌入应用于下游任务，如节点分类、链接预测或图分类。在节点分类中，嵌入有助于预测标签（例如，检测交易图中的欺诈用户）。对于链接预测，可以比较两个节点的嵌入（例如，使用点积）来估计连接的可能性。PyTorch Geometric 或 DGL 等框架通过提供用于消息传递和聚合的内置层来简化实现这些步骤。一个实际的例子是推荐系统：用户和项目（表示为节点）的嵌入可用于预测交互，从而利用用户-项目交互以及在图结构中编码的用户-用户/项目-项目相似性。