图基推理模型是机器学习系统，它们将数据表示为图，其中节点表示实体，边表示实体之间的关系。这些模型旨在处理和推理具有复杂关系结构的数据，例如社交网络、分子相互作用或知识库。与将数据视为孤立点或序列的传统模型不同，图基方法显式地捕获依赖关系和交互，使其在需要关系推理的任务中非常有效。例如，在推荐系统中，节点可以代表用户和产品，而边表示购买或偏好，从而允许模型推断相关项之间的连接。
这些模型通过在图结构中传播信息来运行。一种常见技术是消息传递，其中每个节点聚合来自其邻近节点和边的信息，更新其自身的表示，并将更新后的信息传递给相邻节点。此过程通常重复多个步骤以捕获更高阶的关系。例如，图神经网络（GNN）使用多层神经网络根据局部图结构转换节点特征。在欺诈检测场景中，交易图可以连接用户、账户和设备；模型可以通过分析这些实体随时间如何交互来识别可疑模式。另一个例子是分子属性预测，其中原子（节点）和键（边）形成图，模型通过推理原子相互作用来预测毒性等属性。
图基模型广泛应用于关系至关重要的领域。在自然语言处理中，它们可以建模句子中单词之间或文档中实体之间的依赖关系。对于物流，配送路线优化系统可以将城市表示为节点，将运输路线表示为边，使模型能够找到高效的路径。知识图谱，如搜索引擎中使用的知识图谱，利用图基推理通过遍历互连的事实来回答复杂查询。开发人员可以使用 PyTorch Geometric 或 TensorFlow GNN 等框架实现这些模型，这些框架提供了构建和训练 GNN 的工具。图表示的灵活性使其能够处理动态的、异构的数据，成为传统模型在处理关系复杂性方面遇到困难的场景的实用选择。