预测分析是网络应用中的一项重要任务，在推荐系统和在线广告等应用上发挥着巨大作用。以往的模型大多忽略特征中存在的潜在结构性，从而并不能高效且显式的建模特征交互。本文提出将特征数据建模成图的结构，并设计了神经网络模型来显式高效的建模特征交互。

预测分析是机器学习和数据挖掘的一项基本任务。给定特征作为输入，目标是推断出预测目标的函数（如回归的实值、分类的分类标签等），对于许多网络应用，如在线广告和推荐系统尤为关键。区别于图像和音频中自然可以找到的连续特征，网络应用的特征大多是稀疏和分类的，在对这些特征进行预测分析时，必须考虑到它们之间的交互作用。例如，预测用户对电影的偏好，给定五个分类变量的特征：① 语言 = { 英语，中文，日语，…}；② 类型={ 动作，小说，…}；③ 导演 = { 李安，克里斯托弗● 诺兰，…}; ④ 主演 = { 布鲁斯● 李，莱昂纳多●迪卡普里奥，…}；⑤ 发行时间 = {1995，2005，…}。对于模型来说，捕捉信息量大的特征组合 / 特征交互很重要。例如，3 阶特征组合（类型 = 小说，导演 = 克里斯托弗●诺兰，主演= 莱昂纳多●迪卡普里奥）或（语言 = 中文，类型 = 动作，主演 = 李小龙）可能会推断出更高的用户偏好。首先将梳理和分析当前的特征交互建模研究现状，以及图神经网络的发展；最后介绍如果通过将特征建模成图的结构，从而使用图神经网络进行高效显式的特征交互建模。