GNN是图神经网络（Graph Neural Network）的缩写，它是一种用于处理图数据的机器学习模型。与传统的神经网络模型主要关注于处理向量或矩阵数据不同，GNN专注于处理图结构数据，这种数据由节点和它们之间的边组成。

GNN的设计灵感来源于图的局部性原理，即节点的特征可以由其邻居节点的特征共同影响。GNN通过在节点上进行信息传播和聚合来学习节点的表示。典型的GNN模型通过迭代地更新节点的表示，使得每个节点能够融合来自邻居节点的信息，并对整个图进行全局推理和预测。

GNN模型通常由两个主要组件构成：节点更新函数和边更新函数。节点更新函数定义了如何将一个节点的表示更新为考虑其邻居节点的新表示，而边更新函数定义了如何将边的特征与连接的节点的特征结合起来。这样，GNN模型可以在图中传播信息，并逐步改进节点和边的表示。

GNN已经在许多领域取得了显著的成果，包括社交网络分析、推荐系统、化学分子图分析等。它具有对图结构数据进行端到端学习的能力，并能够捕捉节点之间的复杂关系和全局模式。

需要指出的是，GNN的发展非常活跃，研究者们提出了许多不同的GNN模型和变体，如Graph Convolutional Networks（GCN）、GraphSAGE、GAT等。这些模型在图表示学习和图分析任务中都有各自的优势和适用性。