在数据挖掘领域，如何理解图神经网络（GNN）的核心概念？请阐述其工作原理，并列举两个典型应用场景。

回答思路

1. 【回答框架 1】图神经网络是直接在图结构数据上运行的深度学习模型，核心是学习每个节点的低维向量表示，同时聚合邻居节点信息来捕捉局部与全局结构特征。
2. 【回答框架 2】其传播机制可归纳为消息传递框架：每个节点通过聚合函数融合邻居特征，再经更新函数生成新表示，经过多层迭代后节点表示蕴含多跳邻居信息。常见变体有GCN（基于谱域或空间域卷积）、GAT（引入注意力权重）和GraphSAGE（采样邻居聚合）。
3. 【回答框架 3】在数据挖掘中，GNN常用于节点分类（如社交网络中识别异常账号）、链接预测（如推荐系统中预测用户与物品的潜在关联）以及图分类（如分子性质预测），其优势在于能显式利用关系结构提升预测精度。
4. 【回答框架 4】针对不同场景需选择合适的聚合方式与深度：过深叠加易导致过平滑，使节点表示趋于一致，通常需配合残差连接或跳跃连接缓解。
5. 【回答框架 5】训练时常用半监督学习，仅有部分节点带标签，损失函数计算带标签部分的预测误差；数据规模大时可使用邻居采样与小批量训练提升效率。
6. 【关键点 1】GNN通过消息传递聚合邻居信息，多层堆叠可捕捉多跳结构。
7. 【关键点 2】GCN与GAT的主要差异在于聚合权重是固定还是由注意力机制动态分配。
8. 【关键点 3】GNN在数据挖掘中的典型任务包括节点分类、链接预测和图分类。
9. 【关键点 4】层数过多会引起过平滑，可通过残差或跳跃连接缓解。
10. 【易错点 1】不能将GNN视为万能模型，对缺乏明显图结构或边信息噪声大的数据效果有限。
11. 【易错点 2】不要忽略特征工程与图构建的质量，初始边关系直接影响模型上限。
12. 【易错点 3】避免盲目增加层数，需通过实验验证是否出现表示退化。