拓扑图作为数据表示的典型代表,既能反映实体特征又能体现实体间的关联关系,常用于表达化学分子结构、社交网络等复杂数据,具有强大的数据描述能力。图神经网络（Graph Neural Networks,GNNs）是基于拓扑图的深度学习模型,因其能聚合节点信息并捕获实体的抽象表示,从而在蛋白质分类、知识图谱和社交网络等任务中大放异彩。诸多数据挖掘研究证明,学习样本的邻域关系以揭示实体间潜在的相互作用规则是至关重要的。然而,对于音频、文本等欧几里德数据,其本身不存在拓扑关系,需要定义合适的方法来挖掘实体间的相互作用规则。如何为欧几里德数据构建拓扑图使其适用于GNNs仍有待研究。现存方法大多直接使用欧氏距离衡量节点的特征相似度,并以相似度定义邻域关系,易受离群点的影响。本文将提出更优的可执行方案。此外,社交网络等非欧几里德数据,虽具备天然拓扑图,但其往往存在噪音,主要表现为实体的邻域关系混乱,这使得GNNs性能骤降。究其原因,GNNs在执行节点分类任务时仅考虑节点特征相似度,忽略了原始拓扑图的局部结构特征,并且未对拓扑图进行动态优化。随着网络层数的加深,上述问题将伴随GNNs的过平滑现象,使得噪音难以清除。本文将提出相应方法解决拓扑图的动态优化问题,并缓解GNNs的过平滑问题。综上所述,本文提出两种挖掘邻域关系的方法,并与图卷积神经网络（Graph convolution neural networks,GCNs）融合,完成样本的半监督分类任务:（1）基于节点特征相似度的邻域选择方法。本方法构造关于邻域选择的凸目标函数,在优化损失值的过程中为GCNs生成拓扑图,主要适用于欧几里德数据。该方法引入空间转换矩阵,在低维映射空间进行邻域关系挖掘,并在挖掘过程中优化低维空间,使得欧氏距离更适合衡量样本间的相似度。该方法以迭代的方式优化损失值,不依赖梯度下降算法,故而亦适用于非深度学习算法。在12个欧几里德数据集上的实验证明,该方法所构造的邻域关系优于相关方法,分类性能得到明显提升,尤其在Cloud、Wdbc、Iris和Thyroid数据集上的分类准确率均超过90%。该方法为如何构建拓扑图提供了可行方案。（2）基于注意力机制的邻域关系构建方法。本方法在聚合邻域节点信息时,充分利用原始拓扑图所蕴含的信息,兼顾节点间的邻域结构相似度和节点特征相似度。在此方法中,邻居节点数量和关联强度由算法自适应,真正实现端到端的邻域关系构建。经可视化证明,同类节点的高阶特征能够有效聚合,不同类节点能够有效分离。十折交叉实验证明,所提方法在基线数据集Cora、Citeseer和Pubmed上的分类准确率均高于GCNs和图注意力网络（Graph Attention Networks,GAT）,证明了邻域结构相似度有助于优化拓扑图,从而缓解过平滑问题,提升分类性能。