图神经网络（Graph Neural Network，简称GNN）是一种 深度学习模型，专门用于处理图结构数据。图结构数据由节点（Nodes）和边（Edges）组成，节点通常表示实体（如人、物品等），而边则表示实体之间的关系。GNN通过捕获图的结构信息和节点特征，学习节点的低维嵌入表示，进而用于节点分类、链接预测、图分类等任务。

GNN的核心思想是在图的节点间传播信息，从而学习节点的表示。这种方法使GNN能够捕捉节点之间的复杂关系和依赖性。早期的GNN模型包括Spectral CNN、Graph Convolutional Network（GCN）等。

与传统神经网络相比，GNN不依赖节点顺序，而是通过节点间信息传播来捕获图的依赖关系。GNN通过从节点任意深度的邻居来更新该节点状态，这个状态能够表示状态信息。

图表示学习是将复杂的图结构数据转化为低维向量表示的关键技术，在图神经网络中扮演着至关重要的角色。这种方法不仅能保留图的局部和全局信息，还能将节点、边或整个图映射到连续的向量空间中，便于后续的机器学习任务。图表示学习的主要方法可分为两大类：基于深度神经网络的方法和基于图卷积的方法。

GNN凭借其处理图结构数据和学习节点表示的强大能力，成为了多个领域不可或缺的重要工具，如社交网络分析、分子结构预测、推荐系统等。