MPNN指的是基于消息传递机制的图神经网络，它能够对图结构数据进行建模和学习。在MPNN中，节点和边都可以包含信息，每个节点和边都有一个表示向量，它们可以根据它们相邻的节点和边的信息来更新自己的向量表示。MPNN通常包括两个主要步骤：消息传递和输出计算。在消息传递过程中，节点和边的信息被传递给它们的邻居，以更新邻居节点和边的表示向量。在输出计算过程中，使用这些更新后的节点和边向量来计算图级别的输出。
MPNN是一种比较通用的图神经网络框架，可以用于多种不同的图结构数据任务，比如节点分类、边分类、图分类等。其中最早的MPNN模型是2016年提出的”Neural Message Passing for Quantum Chemistry”，用于预测分子的量子化学性质。近年来，MPNN在图神经网络领域得到了广泛的应用和发展，比如GraphSAGE、GAT、GIN等都是基于MPNN思想的重要模型。
