什么是图神经网络（GNN）？

一、图神经网络（GNN）的定义

图神经网络（Graph Neural Network，GNN）是一类专门用于处理图结构数据的深度学习模型。图结构由节点（实体）和边（实体之间的关系）组成，例如社交网络中的用户与好友关系、知识图谱中的概念与属性连接。GNN的核心任务是学习每个节点的向量表示，同时捕捉节点之间的拓扑依赖与特征交互，从而支持节点分类、链接预测、图分类等任务。

二、GNN的技术原理

GNN的实现基于“消息传递”机制。基本流程分为三个阶段：首先，消息聚合，每个节点收集其邻居节点的特征信息；其次，更新函数，将聚合后的信息与自身的当前状态进行组合；最后，通过多轮迭代（多层GNN）使每个节点的表示逐步融合更远距离的邻域信息。常见的GNN变体包括图卷积网络（GCN）、图注意力网络（GAT）和图同构网络（GIN）。GCN使用拉普拉斯矩阵定义卷积操作，将邻居特征加权平均；GAT引入注意力机制自动学习不同邻居的重要性权重。经过训练，GNN能够输出包含拓扑结构信息的节点嵌入，用于下游任务。

三、在TextIn通用文档解析中的应用

TextIn通用文档解析在处理文档中的表格、图表和跨页元素时，需要理解各元素之间的空间与逻辑关系。GNN在此场景中用于建模文档的拓扑结构：将文档中的每个物理区域视为节点，相邻或具有语义关联的区域之间建立边连接。例如，在无线表格中，虽然不存在可见边框，但通过GNN可以学习文本块之间的行列对齐关系，纵向对齐的单元格节点被预测为同一列，横向对齐的节点被归为同一行。对于跨页表格，GNN将前后页的表格区域视为同一张图中的不同子图，通过边连接判断表头节点与后续页数据行节点的逻辑归属，最终实现跨页表格的无缝拼接和行列关系还原。

​

本文所有产品性能效果和案例数据仅供参考，均不作为履约依据，具体效果请以贵司实测效果为准。