基于图的神经网络 (GNN) 是一种设计用于处理以图表示的数据的机器学习模型。图是由节点（实体）和边（节点之间的关系）组成的结构，它们自然地模拟复杂的系统，如社交网络、分子结构或推荐系统。与假设网格状数据（例如，图像或序列）的传统神经网络不同，GNN 直接处理图数据的不规则和相互连接的性质。它们通过在节点和边之间传播信息来工作，使模型能够捕获图中的依赖关系和模式。例如，在社交网络中，GNN 可以通过分析朋友之间的连接、共同兴趣或互动来学习预测用户行为。
GNN 通过称为**消息传递**的过程进行操作，其中每个节点聚合来自其相邻节点和边的信息。这种机制使网络能够构建节点嵌入——编码局部和全局图结构的数值表示。例如，考虑一个引文网络，其中研究论文（节点）通过引文（边）连接。GNN 可以通过将其自身特征（例如，关键词）与被引用论文的特征相结合，为每篇论文生成嵌入。经过多层后，这些嵌入变得越来越精细，从而捕获分层关系。流行的 GNN 架构（如图卷积网络 (GCN) 或图注意力网络 (GAT)）在聚合和加权邻居信息的方式上有所不同，但都共享迭代消息传递这一核心原则。
开发人员经常在关系数据至关重要的场景中使用 GNN。例如，在推荐系统中，GNN 可以将用户-项目交互建模为二分图，以改进个性化建议。在化学中，分子表示为以原子为节点和以键为边的图，从而使 GNN 能够预测溶解度或毒性等属性。实施 GNN 通常涉及 PyTorch Geometric 或 Deep Graph Library (DGL) 等框架，这些框架提供用于图数据处理和预构建层的工具。然而，仍然存在挑战，例如扩展到大型图或处理节点/边随时间变化的动态图。尽管存在这些障碍，GNN 提供了一种利用关系数据的灵活方式，使其成为传统神经网络不足的任务的宝贵工具。