图深度学习模型近年来取得巨大成功,这很大程度都要归功于大数据的训练。经典的图数据挖掘通常采用表示学习方法,即将图数据中的节点和关系输入到图深度学习模型中获得包含图数据信息的嵌入向量,然后对该向量进行相关操作,完成图数据上的下游任务。然而当图上的数据集过小,图深度学习模型的性能会急剧下降,这使得对图数据的挖掘与分析变得相对困难。随着元学习的兴起,出现了将元学习应用于解决图数据挖掘少样本问题的少数算法。经典元学习算法在元训练阶段中所有元训练子任务的损失是等权重更新元学习器的参数,这意味着元训练子任务是等权重传递信息给元测试子任务。然而通常情况是,两子任务越相关,则该子任务传递的信息对另一个子任务更重要。因此,等权重显然是不合理的。基于此,本文将注意力机制融入经典元学习框架内,然后使用优化后的元学习框架解决网络节点分类任务。首先,本文详细定义了在节点分类任务上的元学习过程,阐明了对原始数据集使用基于单节点采样方式的节点分类子任务划分会破坏图的局部边信息的问题。因此利用子图能保存图数据的局部信息,提出了对原始数据集使用基于子图采样方式的节点分类子任务划分。然后,针对经典元学习的元训练过程中所有元训练子任务对元模型的更新是等权重的这一问题,引入注意力机制,利用多个元训练子任务传递给元测试子任务的信息不均等这一特性,使用欧式距离、cosine相似度、KL散度等方法捕获元训练子任务与元测试子任务之间的数据节点特征差异,使用结构相似度捕获元训练子任务与元测试子任务之间数据子图的结构差异。计算元训练子任务传递的信息权重,使用该信息权重对元训练的外循环更新过程进行加权,完成对经典元学习框架的优化。最后,使用优化好的元学习框架在以子图方式划分好的数据上完成少样本网络节点分类任务。实验在Cite Seer和Cora数据集上进行,并采用节点分类的精确度对模型的效果进行验证,本文模型同时与经典节点分类算法以及经典元学习框架下的节点分类算法进行比较。此外,本文也对同在优化的元学习框架内不同的GNN节点分类模块进行实验结果比较。实验结果表明,与其它经典算法相比,本文模型在Cite Seer和Cora数据集的相同少样本设置下取得了最优的效果。本文模型在优化的元学习框架内,相较于GCN和Graph SAGE节点分类模块,GAT模块在少样本节点分类任务上取得了最优的效果。