图数据依靠其独特的格式,能够将数据间复杂的结构关联可视化。随着大数据时代的到来,图网络数据已经遍布生物学、化学、社会学等多个领域,常见的有物流交通网络、社会交际网络、化学分子网络等。图卷积网络模型是一种有效的半监督学习图模型,是用于在给定图上进行结构等特征提取的方法。为了解决图卷积网络在训练过程中存在的可伸缩性、准确性、计算的复杂性等方面问题,图采样方法抽取有代表性的节点,以便进行小批量节点的训练,从而使图卷积网络能应用于大型图数据中。近几年来,关于图采样方法的研究很多,其中逐点采样法在每个节点处独立地采样固定数量的邻居节点,按层递归聚合采样节点的信息,却导致采样节点数随层数增加而指数增长,最终产生邻域爆炸。逐层采样法每层采样固定数量的节点,采样节点同层之间共享;子图采样通过随机游走等方式从原始图中采样子图。上述两种方法虽解决了邻域爆炸问题,但并未充分利用图的全局信息和局部结构信息,使得采到的点不与图的结构强相关。本文通过分析不同卷积层之间节点的邻居关系,着重考虑了图的结构特点,联合蒙特卡洛采样、热核特征和波核特征建立了图节点的重要性采样算法,提升了图卷积网络训练的效率。本文提出了一种基于热核特征的图节点重要性采样算法,首先通过热扩散方程的解引入离散热核特征,选择非独立地按层采样,将图卷积网络模型中的上层节点作为热源。然后通过上层节点一阶邻居的热量分布建立节点采样的概率分布,其中根层节点的选择偏好度数高的节点。最后对于每一个给定的节点v,本文利用蒙特卡洛方法,用均值近似计算图卷积网络中节点v的嵌入函数值,通过所构建的概率分布进行重要性采样。为了解决热核特征受到低频信息的限制而无法区别不同节点局部结构差异的问题,本文又提出了一种基于波核特征的图节点重要性采样算法,首先分析了量子力学中波函数的统计意义,随后建立了图数据的波核特征。最后本文在多个数据集上做了数值实验,并与已有算法进行对比分析,得出本文算法在采样准确性、稳定性、耗时等方面均表现良好的结论。