GNN 中的核心操作是訊息傳遞：每個節點收集來自其鄰居的資訊，聚合它（加總、平均或注意力加權），並更新自己的表示。經過 K 輪訊息傳遞後，每個節點的表示編碼了其 K 跳鄰域的資訊。圖卷積網路（GCN）、GraphSAGE 和圖注意力網路（GAT）是最常見的架構，它們在如何聚合鄰居資訊方面有所不同。
藥物發現：分子是圖（原子 = 節點、化學鍵 = 邊）。GNN 透過學習分子圖結構來預測分子性質、結合親和力和毒性。社交網路：GNN 偵測社群、預測連結並識別有影響力的節點。推薦系統：使用者和項目形成二部圖，GNN 根據圖結構預測使用者喜歡哪些項目。詐欺偵測：交易網路揭示 GNN 可以學習識別的可疑模式。
Transformer 和 GNN 之間存在深層聯繫：自注意力可以被看作在全連接圖上的訊息傳遞（每個 token 關注每個其他 token）。GNN 在稀疏圖上操作（每個節點只連接到其實際鄰居）。這種聯繫啟發了圖 Transformer，它結合了 Transformer 的表達力和稀疏圖結構的效率，並促進了兩個社群之間想法的交流。