作者：机器学习PAI 赵昆
背景
为什么做GNN?
在大数据的背景下，利用高速计算机去发现数据中的规律似乎是最有效的手段。为了让机器计算的有目的性，需要将人的知识作为输入。我们先后经历了专家系统、经典机器学习、深度学习三个阶段，输入的知识由具体到抽象，由具体规则到特征再到模式，越来越宏观。相对来说，抽象的层次变高了，覆盖面变广了，但我们对底层的感知变弱了，模型的可解释程度变差了。事物发展往往遵循这样的规律，先有客观事实，再有原理支撑，之后是普遍推广。深度学习的应用已经让我们看到了非常可观的价值，但其背后的可解释性工作进展缓慢，也因为如此，当我们用深度学习去解决一些风控、安全等业务场景，那数字效果不足以支撑这项技术的应用，我们更需要知道结果后面的原因。
Graph是知识的载体，其间的实体联系蕴含了很强的因果关系。重要的是，这是一种直观的、人