标准回答
适用前提（独占一行）
GNN 的价值在于处理「天然带图结构、且关系本身蕴含信息」的数据，下面四类是工业界最典型的落地。
推荐系统
把用户和物品建成二部交互图，GNN 通过多跳消息传递捕获高阶协同信号——即「喜欢相似物品的用户」「被相似用户喜欢的物品」。Pinterest 的 PinSage、以及 LightGCN 都属此类，相比矩阵分解能更好利用图结构缓解稀疏与冷启动。
风控反欺诈
把账户、设备、IP、交易建成关系网络，欺诈往往以团伙形式呈现稠密子图。GNN 聚合邻居信息能识别「正常账户看不出、但在关系网络中暴露」的异常关联，是蚂蚁等金融风控的常用手段。
分子与知识图谱
药物/材料发现中，把分子建成原子为节点、化学键为边的图，GNN 预测溶解度、毒性、生物活性等属性。知识图谱上则做链接预测、实体补全与结构化推理，并可与检索结合形成 Graph RAG。
常见误区
⚠️ 常见踩坑
不是所有数据都该上 GNN——若关系稀疏或图结构无信息量，普通 MLP/树模型往往更简单有效；GNN 的收益来自「结构本身携带的信号」，没有这一点就是过度设计。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。