图神经网络（GNN）这个概念近几年很火，确实如此。五毛网
然而今天，一位Reddit网友却“背道而驰”地提出了强烈反对观点。例如：
过去5年中，大多数图神经网络（GNN）论文提供的结果，对从业者没有太多帮助。
我太烦Node2Vec了，引用量不应该达到7500这个数量。
就玩那些没有的、小数据，效率提不上来，很难取得进步。
添加一些新的图层/超参数，编一个可爱的数学故事来解释它为什么重要。
当前的图形数据结构，简直糟糕透了。
全局方法，是个死胡同。
……
点评、分析之犀利，瞬间引来了众多网友的围观。
接下来便来细看下这位网友，为什么对图神经网络（GNN）如此之厌恶。
（为了方便阅读，以下内容将以第一人称进行表述）
模型与压缩有关
先来简单回顾一下基础知识。
大家都说图（graph）是一种“非欧几里得”数据类型，但事实并非如此。
一个正则图（regular graph）只是思考特殊矩阵（邻接矩阵）的另一种方式而已。
很奇怪的一点就是，当我们看到满满都是实数的矩阵时候，就决定称之为“非欧几里得矩阵”。
但这背后也有其实际的原因，因为大多数的图都是非常稀疏的，也就是说矩阵里面大多数的数值都是零。
基于这一点，矩阵里面非零的数字就显得格外重要。这就使得问题更加接近离散数学，而不是简单连续、梯度友好的数学。
如果你有一个全矩阵（full matrix），那事情就会变得相当容易
如果我们暂时不考虑这些恼人的点，假设用一整个邻接矩阵也没什么大不了的，那我们就决绝了一大堆的问题。
首先，网络节点嵌入（network node embedding）就不再是个难题了。一个节点只是矩阵中的一行，所以它已经是一个数字向量。
其次，还解决了所有的网络预测问题。五毛网
一个足够强大且经过良好调优的模型，将提取网络和我们附加到节点上的任何目标变量之间的所有信息。
NLP也只是花式的矩阵压缩
让我们从图形切入到NLP。
正如我们将要看到的，我们所做的大多数NLP问题，都可以用图来表示，所以这并不是什么“题外话”。
首先，请注意，像Word2Vec和GloVe这样的Ye Olde词嵌入模型，只是矩阵分解。
GloVe 算法是对旧的词袋（bag of word）矩阵的一种变形。它遍历这些句子，并创建一个(隐含的)共现图（co-occurence graph），其中节点是单词，而边则根据单词在句子中出现的频率进行加权。
然后，GloVe对共生图的矩阵表示进行矩阵分解，Word2Vec在数学上是等价的。
甚至语言模型也只是矩阵压缩
语言模型风靡一时，可以说，它们主宰了 NLP 的大部分技术。
让我们以BERT为例，BERT会根据句子的上下文，来预测了一个单词：
