图神经网络是一类直接以图结构数据为输入的深度学习模型，它能够捕捉节点之间复杂的连接关系，从而完成节点分类、链接预测、图分类等任务。传统的卷积网络或全连接网络擅长处理欧式空间数据，例如图像像素网格或文本序列，但面对社交网络、分子结构和知识图谱这类非欧式数据时就显得力不从心。图神经网络通过消息传递机制，让每个节点不断聚合邻居信息来更新自身表示，从根本上解决了结构信息难以利用的问题。
要理解图神经网络，首先得弄清楚什么是图结构数据。在数学上，图通常由节点集合和边集合组成，节点代表实体，边代表实体之间的关系。比如在一个微信社交图中，每个用户是一个节点，好友关系就是一条无向边；在化学反应式中，原子是节点，化学键是边并且可能有方向或者类型区分。除了拓扑连接，节点和边往往还带有特征，例如用户年龄、帖子内容，或者原子的元素种类和键能。这些特征会和图的结构一起送进模型。
为什么普通深度学习模型处理不了这样的数据？核心难点在于图没有固定的排列顺序，同一个图如果把节点编号打乱，它表达的关系完全不变，但矩阵形式却不同。如果直接用全连接层，模型会把节点编号当作信号，学到无意义的东西。图神经网络采用的方法是：不关心节点叫什么编号，只关心它和谁相连。这种置换不变性让模型在图数据上具备泛化能力，也是它和普通网络最本质的区别。
消息传递：GNN的核心机制
目前主流的图神经网络都建立在消息传递神经网络框架之上。每一层网络里，节点会做三件事：先从邻居收集信息，也叫聚合；再把收集到的信息和自己原来的特征做组合；最后经过一个变换和激活函数得到新的节点表示。这个过程可以想象成开会：每个人先听周围人发言，再结合自己原本的想法，形成新一轮观点。随着层数增加，一个节点能间接接收到更远邻居的消息，就像八卦传了三度人脉。
具体公式上，第l+1层节点v的表示等于对邻居u在l层的表示做某种求和或均值，再乘上权重矩阵并经过ReLU之类的非线性函数。聚合方式有很多种，最简单的图卷积网络GCN采用对称归一化的邻居均值，而GraphSAGE则先采样固定数量邻居再做拼接，GAT则引入注意力分数决定哪个邻居更重要。选择哪种聚合，往往要看图是否稀疏、是否有权重以及计算资源是否充足。
常见GNN模型对比
下面用一张表列出三种入门常遇到的图神经网络模型，方便你建立直观认识。它们都遵循消息传递思想，但在聚合和采样策略上有明显差异。
| 模型名称 | 聚合方式 | 是否采样 | 适用场景 |
|---|---|---|---|
| GCN | 归一化邻居均值 | 否 | 小规模全图训练 |
| GraphSAGE | 采样后拼接或均值 | 是 | 大规模工业图 |
| GAT | 注意力加权求和 | 否 | 邻居重要性差异大 |
GCN最为简洁，它把图结构直接变成固定的归一化邻接矩阵，训练时整个图一次性送进显存，因此只适合几千到几万节点的图。GraphSAGE为了应对淘宝级别的用户图，设计了邻居采样，每次只随机抽若干邻居做聚合，使内存占用可控。GAT则在聚合时学习每个邻居的权重，能自动忽略噪声连接，但计算量随邻居数平方增长，在稠密图上要谨慎使用。
训练时的关键问题
新手在跑通第一个GNN代码时，经常会遇到过度平滑现象。所谓过度平滑，是指网络层数堆到四五层以后，所有节点的表示变得几乎一样，分类准确率不升反降。原因在于每聚合一次，节点特征就被邻居平均一次，多层之后大家的信息来源趋同。缓解办法包括控制层数、加入残差连接，或者使用允许跳过连接的模型如APPNP。
另一个容易忽略的点是边和节点的特征缺失。很多公开数据集只给了连接，没给节点属性，这时可以用独热编号或者度作为初始特征，也可以通过DeepWalk之类的方法先无监督生成节点向量。如果边有类型，例如转账和聊天是两种边，就要使用异构图神经网络，把不同边分开处理，否则模型会把诈骗交易和正常交谈混为一谈。
入门学习路线建议
如果你准备动手实践，建议先安装PyTorch Geometric或者DGL这类成熟库，它们已经实现了上面提到的模型。第一步可以用Cora引文数据集，它只有两千多篇论文、五千多条引用边，十行代码就能训一个GCN。先观察训练集和验证集准确率曲线，再试着把层数改成三层和一层，体会过度平滑。
之后可以找一份中等规模图，例如某电商用户行为子集，用GraphSAGE做节点分类，重点理解采样大小对结果的影响。最后再读原始论文，弄懂公式里归一化系数从哪里来。整个过程不必死磕数学推导，多画图、多打印中间张量形状，就能建立稳固直觉。当你能用图神经网络从关系里挖出普通模型看不到的信号时，入门就算真正完成了。