图机器学习是什么？处理“关系网”数据的 AI
TL;DR图机器学习是针对图结构数据的机器学习方法，利用节点、边和它们的属性学习数据中的关系，常用于社交网络、知识图谱、分子结构、交通和推荐系统，代表技术是图神经网络。
图机器学习（Graph Machine Learning）是专门处理图结构数据的机器学习方法。这里的“图”不是图片，而是由节点和边组成的关系网：社交网络里，人是节点，好友关系是边；知识图谱里，实体是节点，关系是边；分子里，原子是节点，化学键是边；交通网络里，路口是节点，道路是边。图机器学习的目标是从这些连接关系里学到有用的规律。
为什么需要专门的方法
传统的机器学习擅长处理规则的数据：表格里一行一个样本，图片是规整的像素网格，文本是一个接一个的序列。但图数据不规则：每个节点的邻居数量不同，没有天然的顺序，而且一个节点的性质往往取决于它和谁相连。比如判断一个账户是不是诈骗账户，看它和哪些账户有往来，往往比看它自己的属性更有用。
图神经网络
图机器学习的核心技术是图神经网络（GNN）。它的基本思想是“消息传递”：每个节点收集邻居节点的信息，和自己的信息融合，更新自己的表示；重复几轮后，每个节点的表示就包含了周围几层邻居的结构信息。2017 年 Thomas Kipf 和 Max Welling 提出的图卷积网络（GCN）是一个里程碑，它把卷积的思想高效地推广到图上，计算量和边的数量成线性关系，在论文引用网络的节点分类任务上明显超过了之前的方法，此后 GraphSAGE、GAT（图注意力网络）等方法相继出现。
常见任务和应用
节点分类：判断某个用户是否为机器人账号。链接预测：预测两个用户会不会成为好友、用户会不会买某件商品，这是推荐系统的核心。图分类：判断一个分子有没有毒性，用于药物研发。金融风控、反欺诈、知识图谱补全、交通流量预测、芯片设计、蛋白质结构研究，都有图机器学习的身影。在大模型时代，图结构也常被用来给大模型提供结构化的知识，比如 GraphRAG。