一句话定义：图神经网络（Graph Neural Network，GNN）是一类专门处理"图"这种数据结构的神经网络——数据点之间由边相连，模型通过反复让每个节点吸收邻居的信息来学习。
打个比方
你想了解公司里某位同事的口碑。只看他自己的简历不够，你还会去问他的下属、他的搭档、合作过的客户，把周围人的说法汇总起来，再形成判断。
GNN 做的就是这件事。每个节点（node）先带着自己的初始特征——比如用户的年龄和活跃度、商品的品类和价格。然后每一层做一次"消息传递"（message passing）：把邻居节点的特征收集过来，按某种权重求和，与自己原有的特征拼在一起，过一个小型神经网络，得到这个节点的新表示。堆叠两三层，一个节点就能"看见"两跳、三跳之外的邻居。整个过程对所有节点同时、按同一套规则进行，所以这类操作常被称为图卷积（Graph Convolution）。
和相邻概念的区别
传统神经网络假设数据排列整齐：图片是规整的像素网格，表格是固定的几列。但图没有这种整齐结构——每个节点的邻居数量不一样，邻居之间也没有先后顺序。同一个社交网络里，有人有 3 个好友，有人有 3000 个，模型必须对这两种情况一视同仁。这就是 GNN 要专门设计的原因。
| 模型 | 数据形态 | 对"关系"的假设 | 典型任务 |
|---|---|---|---|
| 全连接网络 | 独立样本 | 样本之间互不影响 | 表格分类、回归 |
| 卷积网络 CNN | 规则网格 | 邻居固定为上下左右像素 | 图像识别 |
| GNN | 任意图 | 邻居数量和顺序都不固定 | 节点分类、链路预测、推荐 |
对实际工作的意义
- 推荐系统：用户和商品天然构成一张二分图。"和你口味相似的人买过什么"这句话，在 GNN 里就是消息沿着边传过来，对冷启动用户尤其有用。
- 风控与反欺诈：账户、设备、IP 之间的转账和登录关系本身就是图。团伙作案在图上往往表现为联系异常密集的子图，比单看一条记录更容易发现。
- 生物医药：分子就是原子构成的图，预测分子性质是 GNN 的经典战场。
给从业者一句提醒：GNN 的效果高度依赖图怎么建——边如何定义、权重怎么设、有没有噪声边，这些往往比换一个更花哨的模型结构更决定成败。图规模很大时还需要做邻居采样来控制计算量。具体框架的接口和用法，以官方页面为准。