得益于大數(shù)據(jù)的興起以及算力的快速提升，機器學(xué)習(xí)技術(shù)在近年取得了革命性的發(fā)展。在圖像分類、語音識別、自然語言處理等機器學(xué)習(xí)任務(wù)中，數(shù)據(jù)為大小維度確定且排列有序的歐氏（Euclidean）數(shù)據(jù)。然而，越來越多的現(xiàn)實場景中，數(shù)據(jù)是以圖（Graph）這種復(fù)雜的非歐氏數(shù)據(jù)來表示的。Graph不但包含數(shù)據(jù)，也包含數(shù)據(jù)之間的依賴關(guān)系，比如社交網(wǎng)絡(luò)、蛋白質(zhì)分子結(jié)構(gòu)、電商平臺客戶數(shù)據(jù)等等。數(shù)據(jù)復(fù)雜度的提升，對傳統(tǒng)的機器學(xué)習(xí)算法設(shè)計以及其實現(xiàn)技術(shù)帶來了嚴(yán)峻的挑戰(zhàn)。在此背景之下，諸多基于Graph的新型機器學(xué)習(xí)算法—GNN（圖神經(jīng)網(wǎng)絡(luò)），在學(xué)術(shù)界和產(chǎn)業(yè)界不斷的涌現(xiàn)出來。