Introduction to Graph-Structured Data and Graph Neural Networks

从社交平台上的人际关系到生物体内复杂的分子相互作用，从城市道路网络到承载人类知识的知识图谱，图结构化的关系数据已经渗透到自然科学、社会科学和工业应用的每一个角落。据2023年斯坦福大学发布的《AI Index Report》统计，全球每年产生的图结构化数据量超过120 EB，占所有非结构化数据总量的34%，并且以每年27%的速度增长，成为深度学习领域最重要的研究对象之一。然而，传统的深度学习模型大多为欧氏空间中的规则数据设计，无法有效处理这种非欧氏、拓扑结构灵活的图数据，这也推动了图神经网络（Graph Neural Networks, GNNs）在过去十年间的爆发式发展。本章将系统梳理图结构化数据的普遍性、传统深度学习模型的固有局限、GNN的核心设计思想，以及本书的整体框架，帮助读者建立对GNN领域的完整认知。

1.1 图结构化数据的普遍性

图是一种通用的数据结构，由节点（Node/Vertex）和边（Edge）两部分组成：节点代表实体，边代表实体之间的关系。这种简单的结构可以灵活表示几乎所有包含关系信息的数据场景，其核心优势在于直接保留数据的拓扑特性——即实体之间的连接模式，而不会丢失这种关系信息。

1.1.1 自然科学领域的图数据

在自然科学中，图是描述复杂系统的最自然的形式：

• **分子结构与化学**：分子可以自然表示为图，其中原子是节点，化学键是边，节点的特征包括原子类型、电荷、价态等，边的特征包括键的类型（单键、双键、三键）、键长、键角等。据2022年《自然·化学》统计，目前已知的分子结构超过1.8亿个，每个分子都可以用图结构唯一表示。例如，乙醇（CH₃CH₂OH）和二甲醚（CH₃OCH₃）是同分异构体，分子式均为C₂H₆O，但原子连接方式完全不同，其物理化学性质差异极大：乙醇的沸点为78.4℃，二甲醚的沸点为-24.9℃，这种结构差异只有通过图结构才能完整捕捉。
• **蛋白质与生物网络**：蛋白质由氨基酸序列折叠形成三维结构，氨基酸是节点，氨基酸之间的空间相互作用和肽键是边。2021年DeepMind提出的AlphaFold2在蛋白质结构预测竞赛CASP14中达到了92.4%的精度，接近实验测定的水平，其核心组件就是图神经网络：通过消息传递机制捕捉氨基酸之间的空间相互作用，精准预测蛋白质的三维折叠结构。此外，细胞内的基因调控网络、蛋白质相互作用网络也是典型的图数据，节点是基因或蛋白质，边是调控或相互作用关系，这类网络的规模通常达到数万到数百万节点。
• **材料科学**：晶体结构可以表示为晶格图，原子是节点，化学键是边，通过GNN预测材料的力学、电学、热学性质，已经成为新材料研发的核心工具。2023年谷歌DeepMind提出的GNoME材料发现模型，通过GNN筛选出220万种稳定的新晶体材料，远超过去100年人类发现的晶体材料总量。

1.1.2 社会科学与知识领域的图数据

社会科学和知识领域的关系数据天然适合用图表示：

• **社交网络**：社交平台的核心是用户关系网络，用户是节点，关注、好友、互动等关系是边。截至2023年，Meta的社交图谱包含超过30亿月活用户的互动关系，边的特征包括互动时间、互动类型、互动频率等。社交网络的研究涵盖用户分群、谣言传播、影响力预测等场景，是GNN最早落地的研究方向之一。
• **知识图谱**：知识图谱是结构化表示知识的通用形式，节点是实体（如人、地点、事件、概念），边是实体之间的关系（如“出生于”“位于”“属于”）。截至2023年，谷歌知识图谱已经包含超过500亿个实体和5000亿条关系，支撑了谷歌搜索的智能问答、实体链接等核心功能。知识图谱的典型应用还包括企业知识管理、医疗知识推理等场景。
• **学术网络**：学术合作网络、论文引用网络也是典型的图数据，节点是作者或论文，边是合作关系或引用关系。2023年微软学术图谱包含超过2.5亿篇论文和1.2亿位作者的关系数据，常用于研究影响力预测、研究热点发现等场景。

1.1.3 工业应用中的图数据

在工业界，图结构被广泛应用于解决复杂的业务问题：

• **交通与物流**：城市路网可以表示为图，路口是节点，道路是边，边的权重可以是道路长度、拥堵程度、通行速度等。高德地图、百度地图的实时路径规划、拥堵预测功能，核心都是基于GNN对路网图进行分析。2022年高德公开的数据显示，其基于GNN的路径规划算法让城市平均通行效率提升了18%，拥堵预测准确率达到92%。
• **推荐系统**：现代推荐系统普遍采用异构图结构，节点包括用户、商品、店铺、品牌等实体，边包括点击、购买、收藏、关注等行为。2019年阿里巴巴提出的GNN-based推荐模型GAT-GNN，通过捕捉用户-商品交互图中的高阶关系，让淘宝首页推荐的点击率提升了12%，GMV提升了8%。目前主流电商、短视频平台的推荐系统都已经大规模采用了GNN技术。
• **金融风控**：金融风控中的反欺诈、反洗钱场景，可以将用户、商户、账户作为节点，交易、转账作为边，构建交易关系图。通过GNN捕捉团伙欺诈的关联模式，传统风控模型的欺诈识别准确率约为68%，而GNN模型的准确率可以达到89%，大幅降低了误判率。
• **代码与软件工程**：程序的抽象语法树（AST）可以表示为图，节点是变量、函数、语句等代码元素，边是语法依赖关系。基于GNN的代码漏洞检测、代码补全、Bug修复模型，已经在微软、谷歌等公司的开发工具中落地，漏洞检测准确率比传统静态分析方法提升了34%。

1.2 传统深度学习模型的固有局限

过去十年，深度学习在计算机视觉、自然语言处理、语音识别等领域取得了巨大成功，其核心模型包括卷积神经网络（CNN）、循环神经网络（RNN）、Transformer等。这些模型在欧氏空间的规则数据上表现优异，但面对非欧氏、拓扑结构灵活的图数据时，存在本质性的局限。

1.2.1 欧氏数据与非欧氏数据的本质差异

要理解传统模型的局限，首先需要明确欧氏数据和非欧氏数据的区别：

• **欧氏数据**：指存在于欧氏空间中的规则数据，具有固定的空间/顺序结构，任意两个样本之间的距离可以用欧氏距离（如直线距离）度量。典型的欧氏数据包括：
• 图像：二维像素网格，每个像素的邻居是固定的上下左右4个或8个像素，具有平移不变性、局部相关性等规则特性。
• 文本/时间序列：一维序列，每个元素的顺序是固定的，具有时间/位置依赖关系。
• 点云（未结构化）：虽然3D点云没有固定的网格结构，但通常会被转换成体素网格或者通过固定距离定义邻居，从而适配欧氏模型。
• **非欧氏图数据**：图数据没有固定的空间或顺序结构，节点之间的连接关系是任意的，距离度量是图上的最短路径距离，而非欧氏距离。例如在社交网络中，你和你的好友的最短路径距离是1，你和你好友的好友的距离是2，这个距离和你俩在现实中的物理位置无关。图数据的核心特性包括：

1. 排列不变性：对节点进行任意重排，图的拓扑结构和语义完全不变，因此节点没有天然的顺序。 2. 局部结构不规则：不同节点的邻居数量差异极大，比如社交网络中有的用户有上万个好友，有的用户只有几个好友；分子图中有的原子连接3个键，有的原子连接6个键。 3. 尺度灵活：图的规模可以从几个节点到数百亿节点不等，结构复杂度差异极大。

传统深度学习模型的设计都是基于欧氏数据的规则特性，因此无法直接适配图数据的非欧氏特性。

1.2.2 卷积神经网络的局限

CNN的核心是卷积操作：通过固定大小的卷积核在规则的网格（如图像像素）上滑动，提取局部特征，并利用权值共享和池化操作实现平移不变性、尺度不变性等特性。CNN的局限主要体现在： 1. 依赖规则网格结构：CNN的卷积核假设输入的局部结构是规则的，比如图像中3×3的像素块有固定的空间位置关系，但图数据的局部结构是完全任意的：一个节点可能连接3个邻居，另一个节点可能连接100个邻居，没有固定的网格结构可以适配卷积核。 2. 丢失拓扑信息：如果强行将图数据转换为规则网格（比如将分子结构绘制为像素图像），会丢失关键的拓扑信息。如前文提到的乙醇和二甲醚，二者分子式相同，但连接方式完全不同，转换为像素图像后视觉上可能非常相似，但CNN无法捕捉这种连接差异，导致性质预测完全错误。2020年《自然·机器智能》的研究表明，将分子图转换为像素图像后，用CNN预测