你有沒有想過，朋友關係、分子結構這種「點和線」資料要怎麼給 AI 看？
你可以把 GNN 想成專門讀關係網的模型。 它不只看每個點本身，還會把鄰居之間的連結一起學進去，所以很適合社群、推薦和分子分析。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
GNN vs CNN CNN 擅長格狀資料，例如圖片 GNN 擅長圖結構資料，例如社群或分子 最關鍵的區別是網格，還是任意關係網
GNN vs 一般嵌入表示 一般嵌入主要把物件向量化 GNN 會把鄰居關係也一起納入 最關鍵的區別是只看自己，還是連鄰居一起看
記住這句就好
點和線一起學。
實際案例
推薦系統 如果你想根據朋友關係或商品關聯推薦內容，GNN 可以把節點和邊的資訊一起用上。
藥物分子分析 化學分子本身就是圖，GNN 很適合拿來預測分子的性質或反應結果。
算法與應用
常見做法是訊息傳遞，也就是讓每個節點從鄰居聚合資訊。 圖一大就會很吃資源，所以抽樣、分層和分散式訓練都很重要。
情境判斷
Q1： 你要找「朋友的朋友也常買什麼」，會想到什麼模型？ → GNN 很合適，因為它能把關係鏈一起學進去。
Q2： 你只有單張商品圖和標籤，沒有關係資料，還適合直接上 GNN 嗎？ → 通常不適合，因為 GNN 的優勢建立在關係結構上。
常見問題
GNN 一定比 CNN 強嗎？
不是，資料型態不同，適用場景也不同。
大圖一定能直接跑嗎？
不一定，常要先採樣或分塊。
GNN 只能做分類嗎？
不是，也能做連結預測和圖分類。