图神经网络（Graph Neural Network，GNN）针对图结构数据，通过递归聚合和转换相邻节点的特征向量来计算节点的表征向量，其对图中节点间的依赖关系以及节点附带的属性、文本和标签等信息的强大建模能力，使得图分析相关的研究领域取得了突破性进展。GNN已在社会网络分析、知识图谱、推荐系统、自然语言处理，甚至生命科学等领域，得到广泛应用，在节点分类、链接预测、图分类等任务中达到很好的效果，成为图结构数据的表征学习和分析的热点研究问题。
GNN已成“AI新贵”除了传统的深度学习方法，图神经网络（GNN）在近两年也是公认的“AI 新贵”。由于图结构的强大表现力，用机器学习 / 深度学习方法分析图的研究越来越受重视。而图神经网络（GNN）由于较好的性能和可解释性，已经成为一种广泛应用的图分析方法，更有不少人将它看作“深度学习的新一代技术”。近一年来，学界和工业界陆续推出了 GNN 的相关框架和工具，进一步促进了这一领域的蓬勃发展。
GNN 提供了图表征学习（Graph representation learning）或图嵌入技术（Graph embedding）的框架，可以用于各种图数据上的监督，半监督及强化学习。GNN将图上的元素，如节点，连接或者子图表达成为一个向量，而不同元素所对应的向量之间的距离保存了它们在原图上的相似关系。这样将拓扑关系表达为特征空间中的向量的做法，本质上是一种基于拓扑信息的特征提取过程，其结果是沟通了传统的图分析和各种传统机器学习或数据挖掘方法，在推荐系统、知识图谱构建及推理等领域都有许多应用。比如说，可以通过引入了图卷积操作构造了一个适用于图数据的半监督学习框架，用于提取更精确的特征表达或直接进行分类操作，并可以结合图像分割、视频理解、交通预测等许多领域开始探索其应用价值。无论对于图分析还是深度学习，GNN 都是一个极有价值的的演化。
GNN 的出现解决了传统深度学习方法难以应用到非规则形态数据上的痛点，大大扩展了神经网络的应用空间，并在一些问题上改进了模型的可解释性。对于许多建立在非规则形态数据基础之上的业务场景，诸如推荐、消歧、反欺诈等，GNN 都有极大的应用潜力。以蚂蚁金服为例，GNN 已经广泛部署于普惠金融业务的推荐和风控中。
