GNN（Graph Neural Networks）模型是一種用於處理圖結構數據的學習模型。它們可以分為兩大類：空間基礎上的卷積（spatial-based convolution）和譜基礎上的卷積（spectral-based convolution）。
空間基礎上的卷積：這類GNN通過非線性變換來更新節點的表示，同時保持節點之間的局部結構信息。其中，GAT（Graph Attention Network）是這類方法中較為經典的一個例子。
譜基礎上的卷積：這類GNN通過譜方法（如傅立葉變換）來處理圖結構數據，以獲得更好的性能。GCN（Graph Convolutional Network）是這類方法中最為著名的一個。
GNN的主要目的是通過一系列GNN層對節點的嵌入（node embedding）和邊的嵌入（edge embedding）進行非線性變換，並利用這些變換後的嵌入來完成下游任務。例如，在圖結構數據中，一個節點的表示向量在第0層GNN層中的表示（如h30）可以通過卷積操作在下一層中更新為h31。