近來發現非常多的建模問題中都使用了GNN方法，便去學習了壹番，後來發現了壹篇非常不錯的GNN的可視化解釋文章，便將其翻譯整理和大家壹起分享。
目前圖模型的應用非常廣泛，最典型的如社交網絡，蛋白質結構等。最近越來越多的圖算法也被應用於搜索推薦，時間序列等的問題，並且都取得了非常大的成功，本文我們直觀的不帶有任何數學等形式的了解壹下圖神經網絡。
社交媒體中，對用戶進行聚類的時候可以使用，依據每個用戶follow和被follow的信息構建圖，然後學習每個用戶的embeddings信息聚類。
我們賦予節點和邊不同的含義的話，那麽圖就可以非常多的信息，例如每個節點是用戶，邊是打電話的話，那麽就可以表示壹個電話相關的社交；如果節點是商品，邊表示用戶的購買順序的話，那麽就是壹個用戶的購物網絡。
recurrent單元，嵌入向量表示和前向神經網絡。所有的節點被轉化為壹個recurrent單元， 所有的邊組成壹個前向神經網絡。
壹旦節點和邊的轉換完成，圖就會在節點之間執行消息傳遞。這個過程也被稱為Neighbourhood Aggregation，因為它涉及到通過有向邊從給定引用節點周圍的周圍節點推送消息。
對於GNNs，對於單個參考節點，相鄰節點通過邊神經網絡將其信息（embeddings）傳遞到參考節點上的遞歸單元中。遞歸單元的新嵌入將通過將所說的遞歸函數應用於當前embeddings和相鄰節點embeddings的邊緣神經網絡輸出的總和來更新。
當前每個節點對自己和相鄰節點的信息（特征）會有更多的了解，從而得到整個圖更精確的表示。為了在pipeline的更高層進行進壹步的處理，或者簡單地表示圖，我們可以將所有embeddings相加，得到表示整個圖形的向量。
使用H比使用鄰接矩陣往往效果更好，這些矩陣不代表圖形的特征或獨特方面，盡管存在任何圖形扭曲-只是節點之間的邊連接。