昨天有个朋友问我：＂你了解图神经网络么？＂，想了半天，不知从何说起．这半年，读了一些相关论文，TransR，TransE，GNN，GCN，GIN，还有一些综述性的．好像大概能说明白，它是怎么做的，但又不能完全说明白它是干啥的，进而扩展到自然语言模型，知识图谱，你说它们是干啥的？在网上一搜，出来的往往是具体实现方法（how），而具体干啥讲得很抽象（what）．
试试说说我的理解，也不一定对：从根本上看，它们都是知识表示，文本向量化．通俗地讲就是把文本编码成一串数，文本可能是一个字（＂生＂），一个词（＂苹果＂），一个短语（＂你说呢＂）或者一个句子（＂我是一个句子＂）… 让文字可以量化，比较，计算．
比如：提到自然语言模型，可能首先想到的是 BERT，GTP，它可以用来做阅读理解，完型填空，判断对错，续写文章等等．模型将一段文字转换成一串数，再传入下游任务（比如：阅读理解），参与决策具体问题．而 BERT 类模型解决的问题是某个字（比如＂生＂）在不同上下文环境下到底是什么意思？然后把它在这里的意思转换成一串数．
再如：知识图谱，一度困惑它是干啥的？把文献或者网站上的大段文字通过命名识体识别，知识抽取等技术切成小的单元，获取它们之间的关系，放在三元组的结构里，存在图数据库中．可以通过这些小文本之间的关系从一个词＂联想＂到另一个词，做一些推荐的工具，然后呢？怎么利用它参与决策？
这就引出了图神经网络GNN，如同BERT通过对海量数据中上下文的学习来计算每个词的含义，GNN利用图中实体（简单理解实体就是词）之间的关系，也是通过海量数据，计算实体的含义，并且用向量表示出来．同样也是送入下游任务，参与进一步决策．
图神经网络的算法原理很简单，假设我是一个实体（比如：词），利用我的邻居来算我（红色），我的邻居（蓝色）又根据它的邻居计算（这其中也包括我），经过数次反复迭代，直到表示我们的向量逐渐趋于稳定（不再因为迭代而变化），此时就认为找到了合适的编码．比较推荐之前写的论文阅读_GCN，把邻接矩阵，度矩阵，拉普拉斯矩阵这些基本概念介绍了一下．
进而又演生出结合上下文（比如BERT）和知识图（比如GNN）的模型，如ERNIE-THU．
归根结底，它们都是知识的表示，用一串数代表某种概念．不限于自然语言处理，图神经网络还可以描述蛋白质分子结构，社群中的人际关系等等．而GIN，GCN，GNN这些方法则是具体实现的技术．
这串数即向量，形如: [8,66,993,32,5…]，每一个维度（其中的每个数）可能描述某种更加抽象的概念（比如：大小，形状，情绪…），又或者几个数共同表示一个概念，这里＂苹果＂和＂桃＂的数值差异很小，因为它们的含义相近，＂爱＂和＂恨＂距离也很近，因为它们同为情绪，而＂爱＂和＂积木＂则距离很远；＂生＂在与不同上下文的组合中可能被转换成完全不同的向量…
这些数并没有什么实质的意义，同一个词送入BERT编码成这样的向量，送入GPT编码成那样的向量，GNN编码又完全不同… 但是，如果是好的编码器，＂苹果＂和＂桃＂的距离就会很近．和世界上所有的概念一样，这里没有绝对的正确，但有相对的＂差不多＂．