MPNN（Message Passing Neural Network）是一種基於圖神經網路（GNN）的模型，用於學習圖結構數據的嵌入。它主要由三個模組組成：訊息傳遞（Message）、聚合（Aggregate）和更新（Update）。
訊息傳遞：這一階段涉及將一個節點的鄰居節點（包括邊）的特徵傳遞到該節點。這個過程可以通過不同的函式來實現，例如求和、求均值或取最大值等。
聚合：在這一階段，所有的鄰居節點特徵被聚合到中心節點上。這可以通過不同的方法來實現，例如求和、求均值或取最大值等。
更新：通過更新操作，中心節點的特徵被更新。這個過程可以通過不同的函式來實現，例如多層感知機（MLP）等。
MPNN的具體實現包括GCN（Graph Convolutional Networks）、GraphSage和RGCN等。這些模型通過捕捉鄰居節點的訊息來更新節點的特徵，從而學習到節點的嵌入。MPNN的一個主要特點是它能夠處理大規模圖數據，通過採樣部分節點進行學習，避免了將所有節點放入記憶體/顯存中的需求。
MPNN模型的一個缺點是它假設圖結構是靜態的，即節點和邊的添加或刪除不會發生。在實際套用中，動態圖結構可能需要更複雜的模型來處理。
MPNN模型的一個優點是它能夠處理大規模圖數據，通過採樣部分節點進行學習，避免了將所有節點放入記憶體/顯存中的需求。在實際套用中，動態圖結構可能需要更複雜的模型來處理。