随着计算机计算能力的提高和深度学习技术的发展,卷积神经网络(Convolutional Neural Network,CNN)在计算机视觉、自然语言处理等领域大放异彩。然而,传统的卷积神经网络局限于处理欧几里得结构数据,难以直接在图数据上发挥作用。同时,图作为一种通用的数据结构,能够灵活地对数据及数据间的复杂关系进行建模。因此,专家学者们希望将卷积神经网络推广到图数据上,来解决节点分类、图分类等实际问题。虽然推广卷积神经网络的相关研究已经展开,但目前仍然存在诸多问题,如图上构建局部邻域过程在选择中心节点时只考虑图的拓扑结构信息,忽略了节点特征信息;再如局部邻域进行标准化时造成了节点信息的丢失。为了解决上述问题,本文:(1)提出了一种基于注意力机制的邻域构建方法ATNA(Attention NeighborhoodAssembly)。ATNA首先利用图的拓扑结构信息和节点特征信息为每个节点学习一个标量,其大小表示对应节点在图中的重要程度,然后根据标量对节点进行排序,并选择出固定数目的节点,作为构建邻域的中心节点,最后利用广度优先搜索构建局部邻域。ATNA能够有效利用节点特征信息,并且能够在端到端的网络中进行优化;(2)提出了一种基于高斯混合模型(Gaussian Mixture Model,GMM)的非标准化邻域图卷积层UNCL(Unnormalized Neighborhood Convolutional Layer)。UNCL首先基于高斯混合模型来学习一个映射,它能够根据邻域节点与中心节点之间的关系为每个节点分配一个卷积参数,然后,类似CNN中的卷积操作,将卷积参数作为权值计算邻域中所有节点特征值的加权和,作为卷积运算的结果。UNCL能够对非标准化的局部邻域直接进行卷积运算,避免了标准化邻域造成的信息丢失。基于ATNA和UNCL,本文设计了一种具有注意力机制的非标准化邻域图卷积网络模型AT-UNGCN(Attention Unnormalized Neighborhood Graph Convolutional Network),该模型能够端到端地解决图分类问题。本文在基准数据集上进行实验,并与图核函数及其它主流图卷积神经网络方法进行对比,对本文提出的基于注意力机制的邻域构建方法ATNA、非标准化邻域图卷积层UNCL和图卷积网络模型AT-UNGCN进行了评价与分析。实验结果显示,AT-UNGCN取得了很好的分类效果,展现出优异的性能。实验结果表明,ATNA能够有效利用节点特征信息,UNCL能够避免标准化造成的信息损失,两者都能够进一步提高图分类准确率。