Graph Neural Networks — 把关系网络交给神经网络来读

待复核

是什么

日常类比：普通神经网络像只看每个人的简历，图神经网络像同时看简历和通讯录。它不只问“这个节点自己有什么特征”，还会问“它连着谁、这些邻居又连着谁”。

Graph Neural Networks（GNN）是一类在图结构数据上学习表示的方法。图由节点和边组成：节点可以是用户、商品、分子里的原子、论文、道路路口；边可以是关注、购买、化学键、引用、道路连接。

这篇综述的价值不是提出一个新模型，而是把 GNN 版图整理成一条设计流水线：先找图结构，再判断图类型和规模，再定训练目标，最后用传播、采样、池化等模块拼模型。

读这篇时可以把它当成“地图索引”：

想学模型，先看传播模块：GCN、GraphSAGE、GAT、MPNN 都在这里。
想做工程，先看采样模块和大图部分：它们解释为什么全量邻居不可行。
想找应用，先看结构化和非结构化场景：它们告诉你哪里真的需要图。

为什么重要

不理解这篇综述，下面这些事都很难解释：

为什么 CNN 在图片上好用，但搬到社交网络、分子、知识图谱上会卡住——图片是整齐网格，图的邻居数量和顺序都不固定。
为什么 GCN、GraphSAGE、GAT、MPNN 看起来名字很多，本质上却都在做“邻居消息聚合 + 节点状态更新”。
为什么同一个 GNN 不能无脑套所有任务——节点分类、边预测、图分类需要不同 readout 和 loss。
为什么工业图学习总绕不开采样——真实推荐图、社交图太大，完整邻居展开会爆内存。

核心要点

GNN 的全局理解可以拆成 三件事：

先把问题翻译成图：类比做城市地图，先决定哪些地方算路口、哪些路线算道路。论文区分显式图和隐式图：分子天然是图，文本和图片往往要先构造词图、场景图或相似图。
消息传递是共同骨架：类比小区业主群，每户把自己的情况发给邻居，邻居汇总后更新判断。多数 GNN 层都可以看成“收邻居消息、聚合、更新自己”，差别在于聚合用平均、卷积、注意力还是门控循环。
模块化决定能不能落地：类比做饭不只看菜谱，还要看锅有多大、食材是否分批下锅。小图可以全量传播，大图要采样；节点任务直接读节点向量，图级任务还要池化成整张图的向量。

实践案例

案例 1：节点分类，判断论文属于哪个领域

for paper in papers:
    msgs = [neighbor.h for neighbor in paper.cited_by]
    paper.h = relu(W @ mean(msgs + [paper.h]))
label = softmax(C @ target_paper.h)

逐部分解释：

paper.cited_by 是图里的邻居，表示引用或被引用关系。
mean(msgs + [paper.h]) 把邻居信息和自己信息合在一起，避免只听别人、不看自己。
softmax 把最后的节点向量变成类别概率，比如“机器学习”“数据库”“网络”。

案例 2：图分类，判断一个分子是否有毒

for atom in molecule.atoms:
    atom.h = update(atom.feature, neighbor_messages(atom))
mol_h = sum(atom.h for atom in molecule.atoms)
toxicity = sigmoid(MLP(mol_h))

逐部分解释：

原子是节点，化学键是边，GNN 先让每个原子吸收附近原子的信息。
sum(atom.h ...) 是 readout，把一堆原子向量压成一个分子向量。
toxicity 是图级输出，回答的是整张图的问题，而不是某个单独节点的问题。

案例 3：推荐系统，预测用户会不会点商品

user_h = aggregate(user.clicked_items)
item_h = aggregate(item.similar_items)
score = dot(user_h, item_h)

逐部分解释：

用户和商品可以组成二部图，点击、收藏、购买都是边。
aggregate 让用户向量吸收历史商品信息，也让商品向量吸收相似商品信息。
dot 越大，表示用户和商品在图中学到的兴趣关系越匹配。

踩过的坑

把“有关系”都当成“该连边”：边一旦加入就会参与消息传播，噪声边会把错误信息扩散到很多节点。
以为层数越深越好：GNN 堆太深容易过平滑，节点向量会越来越像，最后分不出谁是谁。
忽略图的类型差异：有向图、异构图、动态图的边含义不同，直接当普通无向同构图会丢掉关键信息。
只看模型名字不看任务粒度：节点级、边级、图级任务的输出位置不同，loss 和 pooling 也必须跟着变。

适用 vs 不适用场景

适用：

数据天然带关系：社交网络、引用网络、知识图谱、分子、交通路网。
关系比单点特征更关键：一个用户买什么，常常要看朋友、相似用户、相似商品。
需要在局部邻居中推理：欺诈检测、蛋白质相互作用、视觉场景关系、文本依存句法。

不适用：

数据没有稳定关系，硬造图只会引入噪声。
图太大但没有采样、缓存或分布式训练方案。
任务只依赖单条样本特征，普通 MLP、CNN、Transformer 已经足够。
需要严格可解释的规则系统，而模型只能给黑盒嵌入。

历史小故事（可跳过）

1990s：递归神经网络开始处理树和有向无环图，图学习还很像“结构化数据上的 RNN”。
2005–2009：Gori、Scarselli 等人提出早期 GNN，用迭代到收敛的方式更新节点状态。
2014–2016：DeepWalk、node2vec、LINE 让图嵌入流行起来，但多数方法给每个节点学独立向量，泛化到新节点较弱。
2016–2018：GCN、GraphSAGE、GAT、MPNN 把“卷积、采样、注意力、消息传递”几条线推到主流。
2018 之后：研究重心转向大图采样、异构图、动态图、表达力、鲁棒性和预训练。

学到什么

GNN 的核心不是某个公式，而是“节点通过边交换信息，再更新表示”的建模习惯。
设计 GNN 前先问四件事：图从哪来、图是什么类型、任务监督信号是什么、模型模块怎么拼。
谱方法和空间方法是图卷积两条主线；工程上更常见的是直接在邻居上聚合的空间方法。
综述把应用分成结构化场景和非结构化场景：前者图天然存在，后者要先把图片、文本等数据构造成图。

关联

gcn-2017 —— 综述中的经典图卷积模型，适合先学最小公式。
graphsage-2017 —— 解决大图和新节点问题，是综述里空间聚合路线的重要节点。
gin-2019 —— 回答“GNN 到底能区分多少图”，补上理论视角。
graphormer-2021 —— 把图结构编码进 Transformer，可对比 GNN 与注意力模型。
attention —— GAT 把注意力用在邻居权重上，离不开这个基础概念。
pagerank-1998 —— 早期图传播思想，和 GNN 的消息扩散有共同直觉。
simrank-2002 —— 从结构相似性理解图上节点之间的关系。

反向链接

desbrun-1999-implicit-fairing —— Desbrun 1999 — 把热扩散方程隐式离散到三角网
hits-1999 —— HITS — 给网页同时打两个分：权威页 + 索引页
pagerank-1998 —— PageRank — 用随机游走给整个网络的页面打分
taubin-1995-mesh-smoothing —— Taubin 1995 — 把网格平滑当成低通滤波

Graph Neural Networks — 把关系网络交给神经网络来读

是什么

为什么重要

核心要点

实践案例

案例 1：节点分类，判断论文属于哪个领域

案例 2：图分类，判断一个分子是否有毒

案例 3：推荐系统，预测用户会不会点商品

踩过的坑

适用 vs 不适用场景

历史小故事（可跳过）

学到什么

延伸阅读

关联

反向链接