图是一种描述实体及实体间关系的语言,关于图的研究有着悠久的历史和广泛的现实应用基础。现实生活中存在大量或具体或抽象的实体,同时这些实体之间存在复杂的关系,用图表示实体及实体间的关系更为自然,如计算机网络、分子图、社交网络、知识图谱等。此外,利用图来表示冗杂数据有利于发掘数据中的有效信息。真实图中存在很多结构特殊的子图,这些子图包含丰富的拓扑信息和语义信息,能够反映图的特性,我们称之为结构模块,结构模块是图的重要组成部分。现代机器学习往往用来处理线性数据和网格型数据,这些均为结构规则的数据,而图是一种结构不规则的数据,因此很难将现有的机器学习模型应用到图上。如何将机器学习应用到图上是近些年的研究热点,有效地表示图是解决问题的关键。早期的研究人员试图用人工设置的图特征来表示图,这种方法费时费力,同时效果不尽如人意,后期采用学习的方法来获得图表示,即图表示学习,这种方法大幅提升图相关机器学习任务的表现。其中图卷积网络（Graph Convolution Networks,GCNs）已经成为图表示学习的主流方法,根据卷积运算的不同,图卷积网络被分为谱域和空间域两类,本文主要研究基于空间域的图卷积网络。当前大多数基于空间域的图卷积网络主要采用迭代聚合邻居节点信息的方式生成中心节点的表示,这类图卷积网络存在两个缺点,一是无法完全捕获邻域内的结构模块信息。这些结构模块内部结构复杂,同时包含和中心节点相关的高阶节点,简单的一阶聚合会遗漏很多有用信息,如何充分聚合结构模块信息值得进一步研究。二是这些图卷积网络只能应用于相似图,即图中相连节点相似的图,但这些图卷积网络在差异图上表现较差,而差异图是在现实世界中普遍存在的图,如何将图卷积网络应用于差异图是尚待解决的问题。本文以如何在图卷积网络中充分利用结构模块为出发点展开研究,创新性地提出新的结构模块定义方法,系统分析新结构模块在真实图中的意义,并基于该结构模块提出新的图卷积网络模型,该模型有效解决了上述图卷积网络存在的问题。本文主要研究内容和贡献如下:基于共同邻居的结构模块CN-motif:传统结构模块指的是结构简单,规模较小的子图,这些子图不能很好地表示复杂的图结构。为了解决上述问题,本文基于共同邻居（Common Neighbors,CN）定义新的结构模块CN-motif。CN-motif的定义不依赖于特定的图,不受限于节点数量,因此更具一般性。此外共同邻居理论能够为该结构模块提供良好的可解释性。本文进一步提出CN-motif计数算法,该算法的时间复杂度不受CN-motif节点数量影响,能够快速计算CN-motif的频数。此外,本文通过系统的分析和实验,充分证明了CN-motif的有效性。基于CN-motif的图卷积网络模型:为了捕获结构模块信息,并解决差异图的表示学习问题,本文提出了基于CN-motif的图卷积网络模型CNMPGCN（CN-motifs Perceptive Graph Convolution Networks）。该模型首先根据CN-motif将每个节点的一阶邻居分组,并利用CN-motif提取高阶相关节点构建高阶图。为了显式编码邻域结构信息,该模型将每个组作为一个整体单独编码,为了区分组之间的差异性,本模型通过学习的方法为不同的组分配可正可负的权重。此外,该模型能够利用高阶图来聚合高阶信息。最后,本文通过全面的实验,充分验证了模型的性能,在结点分类任务中,该模型在多个数据集上取得当前最佳的准确率。