传统的属性约简算法通常默认样本之间满足独立同分布假设。然而,现实世界中存在很多对象具有固有依赖关系的情况,也即不满足独立同分布假设,这种形式的数据通常可以很容易地用图结构来表示。因此我们这篇论文针对具有先验依赖关系的数据,也即图结构数据,研究其在节点分类任务的背景下的约简算法。我们从两个方面入手来研究图结构数据的约简。第一方面是图结构的约简,第二是图节点属性的约简。图结构的约简关注的问题是如何在维持原图的某些特性不变的前提下将原图的节点（边）进行聚合从而构造一个节点数量更少、结构更紧凑的概要图。对于这个问题,图概要研究领域已经提出了若干技术可以实现。然而,它们均未考虑图结构的节点分类质量,如果直接将这些算法作为节点分类任务的预处理,将会对下游节点分类模型产生很糟糕的影响。因此,我们设计了一个新型的基于聚类的图概要技术,它采用粗糙集理论和模糊聚类分析技术来识别并剔除原图中的冗余或无关结构并获得原图的核心表示。该算法会维持节点分类质量损失在可容忍范围内的前提下,通过合并拥有相等或相似邻域的节点来构建概要图。具体而言,首先,对于图中的某个节点,我们计算这个节点与所有节点的近邻度,这些近邻度构成的向量代表这个节点的邻域结构。我们用邻域结构来衡量节点之间的结构上的相似性关系。其次,根据这种关系和已知的标记信息,借助模糊聚类分析和粗糙集理论,我们就可以确定节点之间关于图的结构和已知的标记信息的等价关系。最后,我们对等价节点进行合并进而构建简图。我们在三个真实世界数据集上进行了充分的实验,实验结果表明,我们所提出的算法相比其它图概要算法拥有自适应调节约简率的功能,因而在节点分类任务中能取得更好的表现。除此之外,尽管我们的算法简化了原图的信息,但在很多情况下,约简后的概要图却拥有比原图更好的性能,这表明我们的算法能够去除原图的噪声信息。图节点属性的约简关注的问题是如何借助节点之间的固有先验关系（图结构）来更有效地约简节点属性。这个问题可以分解成两个简单的问题:一个是如何从节点的固有先验关系中提取出节点集上的等价关系,另一个是如何将该等价关系与节点属性导出的节点等价关系进行融合。针对第一个问题,本文给出了三种解决方法,分别是基于节点的二阶相似关系的方法、基于无监督图表示学习的方法和基于谱聚类的方法。前两种方法都旨在获得能够表示节点先验关系的节点向量表示,进而可以根据该表示计算等价关系。最后一种方法旨在直接获得节点集的划分,进而直接导出等价关系。针对第二个问题,我们提出了一个通用的框架用以将基于节点先验关系的等价关系和基于节点属性的等价关系结合起来。我们在真实世界数据集上进行了实验,实验结果表明了我们所提出方法的有效性。