图数据不仅包含每个样本点的特征,并且往往会包含大量样本点的关系数据,而这些数据具有很高的价值。图机器学习就是将机器学习技术应用于图数据。图机器学习提供了充分利用这些关系数据的办法,它使得在考虑图中每个节点的自身特征的同时,考虑邻节点以及邻节点的特征,这样就能够获取更好的性能。本文所研究的内容基于一种图机器学习的新方法——图扩散卷积。这是一种对于图结构的预处理方法,其原理为按照一定的系数将某节点的高阶邻居节点融合到其一阶邻居上,它使用转移矩阵的幂级数和作为新的图结构取代原本的邻接矩阵所表示的图结构,而后再与现行的图机器学习算法联用,能够在多种数据集上取得不错的结果。本研究在此基础上提出了一种新的稀疏化方法——保留最少边的阈值稀疏法,在根据阈值进行稀疏化的同时,为每个节点至少保留一定的边数,这种方法能够结合现有的稀疏化方法的优势,克服劣势,提高在边数较小的图上的预处理效果。同时本研究还收到调和级数的启发,引入了一种新的转移矩阵幂级数求和系数——调和系数,经过此系数处理后的扩散矩阵能够更充分的展现图的结构特征,这种方法在多种数据集上的表现优于热核系数和PPR系数,不仅能够提高准确率,并且经其处理后的图结构具有较小的规模,能够降低后续任务的计算复杂度。