由于二十一世纪网络的发展与信息量的剧增,各类数据间的关系变得越来越复杂,人们也不得不与大量的数据打交道。因此,当前的世界已经进入了大数据时代。为了能够在杂乱无章的数据海洋中高效的检索和整理出人们所需要的信息,就要对大量的数据进行批量分析和聚类,然后实现对这些不同类型数据的量化处理,并使用某种固定规格的数组或者向量来表示它们,这种表示将会满足后期应用中对数据的统计,检索,推荐以及分类等需求。对这些数据的处理要用到多种多样的数据挖掘技术。在数据海洋中,往往会存在着一种非规则的数据链接集,这种集合的基本组成部分通常具有不同的属性与特征,但是这些部分又互相连接从而构成一个网络。这种非规则的数据链接网络通常被叫做非欧几里得图。现实世界中,具有这种结构的数据集数不胜数。例如:社交网络,文献索引网络以及蛋白质分子结构网络等,它们被叫做知识图谱。在知识图谱的应用中,聚类是一种基本的操作,它将网络中的在欧式空间中相近的结点对象或者链接对象进行划分。非监督算法首先会进行聚类操作,然后再进行分类或者其它操作。半监督的图卷积神经网络是一种谱域聚类网络,它的结构因应用而异。在文中展示了非监督算法的聚类表现。由于聚类通常缺乏监督性,所以更多的探索了这些方法的分类表现,这些模型分类表现在它们的聚类能力中具有较为直观的参考意义。在这些技术中,本文针对两个存在的问题进行了研究工作。其一,在图卷积神经网络中,由于数据样本的不完善,并存在一些隐式信息需要挖掘,导致网络对它们的特征提取较为困难,不能达到更好的聚类效果。但是通过增强神经网络的训练来提取它们将会大大增加训练的成本。因此希望通过某种数据预处理的方法转换这些隐式信息为显示信息,从而优化神经网络在高维空间的聚类能力。根据这个想法,本文介绍了一个基于非欧几里得图结构的数据优化方法,该方法将会对原始的数据进行分析和邻接特征聚合,以探索通过该方法处理后的数据是否能够优化模型的表现。该方法在图的邻接特点和特征分布的角度上来挖掘出样本中的隐式数据,增强网络对它们的提取能力。本文中使用了几个流行的数据集在实施分类任务的对比实验中证明了该方法的优化性。除此之外,在图谱嵌入技术中,二叉树形的层级网络存在学习频度不均衡的情况,当训练过拟合时,它也许会导致更多的分类错误。所以,我们认为嵌入神经网络的哈夫曼树聚类器每层的学习频度需要被适当的调整。针对这个想法,设计了一种基于该神经网络的层次梯度调节机制,该机制旨在人为并且动态的调节树形神经网络每层神经元的学习频度,使得神经网络每层的学习频度分布合理,优化模型的表现。实验也使用了另外几个数据集验证了该方法是否有效,并总结经验。为了更好的说明我们在该领域所作的工作,本文将首先介绍多种图谱分析方法的应用背景,应用范围,所涉及到的主流分析框架,技术原理等内容。有了这些理论基础的铺垫,进而介绍基于该领域改进的具体内容,技术原理,实验证明和总结。