卷积神经网络(CNN)已经在图像数据的特征表示方面取得了巨大成功,近几年在图数据挖掘领域也得到广泛关注,出现了图卷积网络(Graph Convolutional Network,简称GCN)的研究。由于通用图往往没有类似图像数据的有序性结构,因此待编码节点的邻域组成对于基于空间域的GCN模型有至关重要的作用。本文考虑到节点邻域的结构影响不同,提出了一种基于邻域选择策略的图卷积网络模型——Co N-GCN。该模型首先为每个节点收集结构重要的邻域并进行层级选择得到核心邻域,然后将中心节点及其核心邻域的特征按结构重要性排序得到矩阵的形式,最后送入深度卷积网络进行半监督学习。实验结果表明,本文模型在Cora、Citeseer、Pubmed等现实网络数据集上的节点分类性能均优于GCN和LGCN模型。考虑到网络是动态变化的,本文还提出了Co N-GCN的动态版本,即在模型训练过程中加入时间信息,提出了基于时序的图卷积网络模型——TS-GCN。该模型首先在固定时间间隔内统计每一个节点的局部边的生成时间,按时间顺序对邻域节点排序并获取核心邻域,最后构成矩阵送入深度卷积网络进行半监督学习。在Epinions、DBLP、Academic数据集上的节点分类和链接预测实验表明,本文提出的TS-GCN模型相较于静态GCN模型有更好的表现。为了抽取节点更深层的特征并将当前算法扩展到现实的大规模网络中,本文分别提出了模型加深和子图训练的方法。实验证明:随着网络的加深,本文方法的节点分类准确率有进一步的提升;对于大规模网络,改进的方法可以在保证准确率的情况下有效缩短训练时间。