2022年1月29日整理发布：图神经网络(GNN)是一种机器学习算法，可以从图中提取重要信息并做出有用的预测。随着图变得越来越普遍，信息越来越丰富，人工神经网络变得越来越流行和强大，GNN 已成为许多重要应用的强大工具。

用于神经网络处理的转换图

每个图都由节点和边组成。例如，在社交网络中，节点可以表示用户及其特征(例如，姓名、性别、年龄、城市)，而边可以表示用户之间的关系。更复杂的社交图可以包括其他类型的节点，例如城市、运动队、新闻媒体，以及描述用户和这些节点之间关系的边。

不幸的是，图结构不太适合机器学习。神经网络希望以统一的格式接收数据。多层感知器需要固定数量的输入特征。卷积神经网络需要一个网格来表示它们处理的数据的不同维度(例如，图像的宽度、高度和颜色通道)。

图可以有不同的结构和大小，这不符合神经网络所期望的矩形阵列。图还具有其他特征，使其与经典神经网络所设计的信息类型不同。例如，图是“排列不变的”，这意味着只要它们的关系保持不变，改变节点的顺序和位置就不会产生影响。相反，改变像素的顺序会产生不同的图像，并将导致处理它们的神经网络表现不同。

为了使图对深度学习算法有用，必须将它们的数据转换为可以由神经网络处理的格式。用于表示图形数据的格式类型可能因图形类型和预期应用而异，但总的来说，关键是将信息表示为一系列矩阵。

例如，考虑一个社交网络图。节点可以表示为用户特征表。节点表的每一行都包含有关一个实体(例如，用户、客户、银行交易)的信息，是您可以提供给普通神经网络的信息类型。

但是图神经网络也可以从图包含的其他信息中学习。边，连接节点的线，可以用相同的方式表示，每一行包含用户的 ID 和附加信息，如友谊日期、关系类型等。最后，图的一般连通性可以表示为一个邻接矩阵，显示哪些节点相互连接。

当所有这些信息都提供给神经网络时，它可以提取超出图形各个组件中包含的简单信息的模式和见解。