图算法的复杂性根本上还是源于图数据的复杂性，专家指出，图数据的一大特点在于动态性和异质性，这在业界也是比较常见的问题。

图数据包括动态图、超图、异质图等类型。在业界，动态图天然地存在，典型的包括日志数据，这类数据对于风控很有价值。关于超图的学术研究目前比较热门，但在业界的应用则很少。

动态图由于涉及持续更新，需要基础设施支持图数据的动态更新，这在落地中一般会成为难点。并且，更新的时效性有多个级别，比如秒级、分钟级、天级，不同级别的系统之间有很大差别。

相对地，异质图的应用技术则较为成熟，毕竟业界的大部分图数据都是异质图。而像有向图、无向图等在实际应用中，其实并没有逻辑上的不同。

由于图算法的复杂度比较高，落地成本比较大，需要注重成本和收益的平衡，这也是图算法在落地时的最核心的挑战，专家表示。

图算法的通用性也很重要，模型需要能够支撑数十至数百算法工程师来实现自己的算法，换句话说就是图算法的平台化、系统化应用。专家指出，而在平台化、系统化方面，目前在业界即使是大企业也只有部分在投入研发。

图算法主要包含两类，一类是PageRank、标签传播等传统方法，一类是GCN、GAT等图机器学习或图神经网络方法。

相对于图神经网络方法，传统方法更依赖于人工特征。特征分为节点级、链接级、图级，其中图级特征比如Graphlet内核、WL内核等由于计算复杂度比较高，一般应用比较受限。

相对地，节点级特征、链接级特征使用的比较多，链接级特征在推荐系统中尤其在召回阶段很常见，一般是基于距离的特征。节点级特征中使用的比较多的是节点度，而中心性特征一般而言是无法计算的，因为涉及到全图迭代，会使得计算很复杂，因而应用也受限。

图神经网络一般包括图注意力网络、图卷积网络、图循环神经网络等，目前业界使用最多的是图注意力网络，其次是图卷积网络。

3. 图学习范式

在图学习范式方面，业界主要关注点是图预训练模型的潜力，以及图表征学习的演进。相比之下，图的自动机器学习等目前应用则不多。

一位专家认为，图的预训练目前在业界处于早期发展阶段，最主要的挑战在于如何做到大规模、持续的训练，以及如何用不同的数据源训练一个大模型。

另一位专家则指出，对于风控、推荐等场景，并没有较好的图预训练应用的实例。

此外，甚至基于transformer的预训练模型在很多工业场景中能提供的增益也不多，“比如它可能在机器翻译中效果很好，但其实不会颠覆对话机器人的模式。”

而像推荐、风控等场景本身在不同机构、不同行业中差异很大，根本也是因为人类社会行为的复杂性，预训练很难将其泛化能力在这些场景中发挥效果。

预训练在生成类任务的效果确实不错，但如果没有达到商业标准，价值也是有限的。

图表征学习存在的挑战包括许多方面，比如长距离依赖、梯度消失、过平滑、全图迭代复杂性等问题。

图表征学习最常用的方法包括DeepWalk等，在推荐系统中常用于召回模块。

专家认为，这些模型实际上在工业界不会有很广的使用面。“因为它们有一些天然的缺陷，没有很好地把特征和结构（图的拓扑结构）融合起来，就是说只关心结构，不关心节点特征，这方面是一直到出现了图神经网络才得到了很好的解决。”

事实上，图神经网络通常也具备图表征学习的能力。

比如，图卷积神经网络方法不仅可以刻画图中的结构信息，还能对节点自身和局部邻居信息进行信息抽取和表征学习。

图算法在2014年开始大量和神经网络进行结合，然而其发展至今，比较重要的技术迭代只有两轮。

从2014年到2017年，比较热门的是网络嵌入研究，2017年到现在则是图神经网络，“但目前领域内仍然没有出现新的图表征学习范式。”

计算机视觉、自然语言处理等领域一般隔两三年就会有比较代表性的技术出现，比如ResNet、BERT等。

但图算法很多创新概念其实都源于CV或NLP，比如网络嵌入源于NLP中的word embedding，而图神经网络源于CV中的卷积神经网络，当然还包括预训练、注意力机制、对比学习等。

因此，图算法目前还有一个比较大的挑战，是缺少领域独特的基础创新工作。

归根结底，图算法目前遇到的落地困难主要在于图数据本身与传统数据有很大不同，并进而影响到算法研究、场景拓展、工程落地等方面。