图神经网络（GNN）是一种旨在处理以图结构表示的数据的机器学习模型。图由节点（实体）和边（节点之间的关系）组成，GNN 通过在节点和边之间传播和聚合信息来学习捕获这些结构中的模式。与处理网格状数据（例如，图像或序列）的传统神经网络不同，GNN 可以处理不规则的互连数据。例如，GNN 可以通过根据其朋友的活动更新每个用户的节点表示来分析社交网络图，从而实现社区识别或连接推荐等预测。
GNN 与知识图谱密切相关。知识图谱是结构化数据库，将现实世界的事实表示为节点（例如，“巴黎”或“法国”）和边（例如，“是首都”）。知识图谱通常缺乏节点或边的显式特征，这使得 GNN 非常适合执行节点分类、链接预测或图补全等任务。例如，GNN 可以通过分析现有连接来预测关于国家的知识图谱中缺失的关系。假设一个知识图谱包含“巴黎 → 首都 → 法国”，但缺少“柏林 → 首都 → 德国”。GNN 可以通过学习相邻节点（例如，其他欧洲国家的首都）及其关系上下文中的模式来推断缺失的链接。
GNN 在知识图谱上的一个实际应用是推荐系统。考虑一个电影知识图谱，其中节点代表用户、电影和类型，边捕获交互（例如，“用户观看了电影”或“电影属于某种类型”）。GNN 可以处理这个图谱，通过连接节点传播偏好来预测用户可能喜欢的电影。例如，如果用户观看与“星球大战”相关的科幻电影，GNN 可能会通过分析共享的类型连接来推荐“沙丘”。这种方法利用图的关系结构来提高准确性，优于将用户或物品视为孤立数据点的方法。