图神经网络（GNN）是一种专门设计用于处理图结构数据的神经网络。在图数据中，个体项被表示为节点，它们之间的关系则由连接这些节点的边表示。这种结构常用于表示社交网络、分子结构和运输系统。与传统神经网络（通常处理固定格式的数据，如图像或序列）不同，GNN擅长捕捉图结构数据中的复杂连接和相互作用，使其能够基于节点特征及其关系进行学习和预测。
GNN的基本操作是从节点的邻居聚合信息以更新其自身表示。这个过程一般包括两个主要步骤：信息传递和节点更新。在信息传递阶段，每个节点根据连接的边从其相邻节点收集信息。这些信息可能包括邻居节点的特征或属性。在节点更新阶段，收集到的信息与节点自身的特征结合，形成更新后的表示。这个迭代过程可以重复多层，从而使节点能够从图中更远的节点收集信息，从而捕捉更高阶的关系。
GNN在各个领域都有实际应用。例如，在社交网络分析中，GNN可以基于用户之间的连接和互动预测用户行为。在分子化学中，GNN可以通过分析分子中原子之间的关系来预测化合物的性质。在推荐系统中，GNN可用于识别用户与项目之间的关系，不仅考虑直接连接，还考虑网络中的间接关系。通过利用图的独特结构，GNN为理解广泛领域中的复杂关系提供了强大的工具。