一、图神经网络GNN概述

        机器学习的力量正在被用来解决一系列不同领域中日益复杂的问题。模型需要识别和理解更抽象的概念和对象，并且在许多情况下做出非线性决策。尽管它们本身很强大，但更传统的机器学习模型类型缺乏准确映射和处理一些最复杂问题的能力。

        人工神经网络越来越多地被认为为机器学习的下一步提供了架构。这些网络旨在反映人脑和神经系统的功能。连接节点的网络充当人工神经元，深度学习技术用于创建可以做出非线性决策的模型。然而，大多数模型设计用于处理欧几里得输入数据，在一维或二维域上具有网格状结构。这包括图像或文本等文件类型的常见表示。但是有可能存在于三个维度上的非欧几里得数据，例如网络或分子图。如果将此数据转换为欧几里得数据结构，则有价值的信息将丢失。而现实世界中的许多数据都具有非欧几里得的底层图结构。数据结构的不规则性导致了图神经网络的最新进展。

        图是一种常见的非欧式数据结构，是一种抽象的数据建模方式，由节点和相互连接的边组成。图神经网络是为处理图结构化输入数据而开发的人工神经网络。图神经网络可以看作是更广泛的几何深度学习领域的一个子领域。

二、什么是图神经网络？

​        图神经网络(Graph Neural Networks)是一种人工神经网络，旨在处理图形结构化数据。它们构成了更广泛的人工神经网络领域的一部分，人工神经网络是旨在反映人类或动物大脑功能的网络。人工神经网络有许多不同的类型，但它们通常以人工复制神经元和突触的行为为目标而统一起来。网络通常被分组为节点层或人工神经元，与其他节点相连。这些层存在于数据传输的输入层和输出层之间。

         人工神经网络被视为创建机