并非所有数据都是文本或图像。社交网络、分子结构、推荐系统、欺诈检测网络和物流路线都是天然的图结构。当实体之间的关系与实体本身同样重要时，GNN 是正确的工具。药物发现、社交网络分析和交通预测都依赖于 GNN。
GNN 的核心操作是消息传递：每个节点从其邻居收集信息，聚合它（求和、平均或注意力加权），并更新自身的表示。经过 K 轮消息传递后，每个节点的表示编码了关于其 K 跳邻域的信息。图卷积网络（GCN）、GraphSAGE 和图注意力网络（GAT）是最常见的架构，它们在聚合邻居信息的方式上有所不同。
药物发现：分子是图（原子 = 节点，化学键 = 边）。GNN 通过从分子图结构中学习来预测分子性质、结合亲和力和毒性。社交网络：GNN 检测社区、预测链接和识别有影响力的节点。推荐系统：用户和物品形成二部图，GNN 根据图结构预测用户会喜欢哪些物品。欺诈检测：交易网络揭示 GNN 可以学习识别的可疑模式。
Transformer 和 GNN 之间存在深层联系：自注意力可以被视为在全连接图上的消息传递（每个 token 关注其他每个 token）。GNN 在稀疏图上操作（每个节点只连接到其实际邻居）。这种联系启发了图 Transformer，将 Transformer 的表达能力与稀疏图结构的效率相结合，并促进了两个社区之间的思想交流。