Grafos oferecem uma poderosa abstração para representar entidades (vértices) e relacionamentos (arestas), sendo mais recentemente utilizados para representar dados complexos de diferentes naturezas, tais como redes sociais, grafos de conhecimento, e interação entre proteínas. Além dos dados (atributos) associados às entidades, a estrutura do grafo oferece uma importante informação adicional, pois codifica a interação direta e indireta entre as entidades. A fusão dessas informações em um novo atributo (vetor) para os vértices oferece uma representação unificada que pode ser utilizada em diferentes tarefas de aprendizado, tais como classificação e previsão. Neste contexto, redes neurais vêm sendo utilizadas para aprender e gerar esta representação vetorial, dando origem a Redes Neurais para Grafos (Graph Neural Networks). Mas o que deve ser aprendido? E como realizar este aprendizado? Nesta palestra, iremos rever algumas das abordagens propostas na literatura (node2vec, struc2vec, GCN, GraphSage, etc), mostrando que não há bala de prata, e apresentar algumas aplicações e estudo de caso de sucesso, terminando com alguns desafios desta abordagem.