前言：迄今为止，阻碍图神经网络在行业应用中被广泛采用的挑战之一是难以将其缩放到大型图（例如Twitter跟随图）。节点之间的相互依赖性使损失函数分解成单个节点的贡献具有挑战性。在这篇文章中，我们描述了Twitter开发的一种简单的图神经网络架构，该架构可以处理大量的图。

So far, one of the challenges hindering the wide application of graph neural network in industry is that it is difficult to scale it to large graph (such as twitter following graph). The interdependence between nodes makes it challenging to decompose the loss function into the contribution of a single node. In this article, we describe a simple graph neural network architecture developed by twitter, which can handle a large number of graphs.

图神经网络（GNN）是一种新型的ML模型，专门用于处理图数据。在不同领域，GNN可成功实现领域内关系及相互作用建模，如社会科学，计算机图形与视觉，粒子物理学，化学和医学。但是令人失望的是，对GNN模型的研究和应用都是在规模较小的图上进行的(比如被广泛使用的引用网络数据集-Cora，该数据集仅仅包含约5K节点[1])，大规模图数据的研究却很少受到关注。与之矛盾的是，在实际工业场景中，需要处理的确实超大规模的图，例如包含数亿节点和数十亿边的Twitter或Facebook社交网络，先前的研究工作很难用于这些图的处理分析。