本次查询：Graph Neural Network
中文解释：图神经网络
常见场景：社交关系预测 / 分子性质预测 / 推荐系统 / 知识图谱推理 / 交通流量预测
一句话解释
图神经网络（GNN）是一种能直接在图结构数据上运行的深度学习模型，通过学习节点、边和全局拓扑信息，完成分类、预测和生成等任务。
为什么会被关注
许多现实数据天然带有图结构（如社交网络、分子结构、交通路网），传统神经网络（CNN、RNN）无法有效处理这种非欧几里得数据。GNN能同时利用节点自身特征和邻居信息，大幅提升建模精度。
从推荐系统到药物发现，GNN在多个领域刷新了SOTA（当前最优）结果，成为深度学习领域最活跃的方向之一。工业界（如Google、Meta、腾讯）已大规模部署GNN用于搜索、广告和风控。
核心逻辑
GNN的核心是消息传递机制：每个节点聚合其邻居的特征信息，通过可学习的神经网络更新自身表示。经过多层迭代，节点逐渐包含多跳邻域的结构与特征信息。
不同的GNN变体在聚合函数上有所区别：GCN使用归一化的邻接矩阵做加权平均，GAT引入注意力机制动态分配权重，GraphSAGE则支持采样邻居以提升大规模场景效率。
常见场景
社交网络：预测用户之间的连接（好友推荐）、识别社区结构；生物信息学：预测分子毒性、蛋白质相互作用位点；推荐系统：利用用户-物品二部图做协同过滤。
知识图谱：完成实体链接、关系预测；交通预测：将路网建模为图，预测未来车速或拥堵；计算机视觉：将图像中物体视为节点，推理物体间关系。
容易混淆的点
GNN与图嵌入（如Node2Vec）不同：图嵌入仅学习静态节点向量，而GNN能利用节点特征并泛化到未见节点。GNN与图卷积网络（GCN）不等价，GCN是GNN的一种具体实现，并非全部。
GNN并不总是优于传统模型：当图结构噪声大或特征稀疏时，简单方法如MLP+手工特征可能更有效。此外，过平滑问题（层数过多导致节点表示趋同）是GNN应用中的常见陷阱。