图结构数据广泛存在于现实世界中,节点分类是基于图结构数据的基本任务。由于各节点的度大小不一,且节点间的相对位置无序,所以常规的分类算法在节点分类任务上不适用或表现不理想。图神经网络（Graph Neural Networks,GNN）因为同时利用到节点信息和边信息,在节点分类任务上的表现突出,成为当前学术界的研究热点。其核心构建思想是,节点依靠图结构交互彼此信息以实现节点特征表示,通过特征表示学习实现节点分类。所以,不同的节点交互方式使得图神经网络的构建方式多种多样,进而影响节点分类的效果。多样化的构建方式缺乏系统性和可解释性,不利于GNN的应用推广。针对目前的通用GNN框架难以综合分析和解释GNN构建方式背后原理的不足,以及在图注意力网络GAT及其变式GATv2中存在的静态注意力问题,本文的研究工作和创新如下:（1）提出图注意力消息传递框架GAMP。归纳现有的GNN构建方法,在通用GNN框架下引入注意力计算组件,形成新的图注意力消息传递分析框架GAMP,基于GAMP剖析GNN滤波算子中注意力计算方法与模型泛化能力间的关系,研究发现,GNN在应对基于“开放世界”的归纳学习节点分类任务中,应使用自学习的注意力计算方式以提高模型的泛化能力。（2）提出基于语义分解的注意力计算方法SD。为了解决在GAT和GATv2中存在的静态注意力的问题,SD从注意力的本质出发,将节点的单一特征表示分解为主体语义和客体语义。中心节点的主体语义和邻居节点的客体语义用于参与注意力计算,而邻居节点的主体语义用于参与消息表示。采用SD方法的GNN不仅可以解决静态的注意力问题,模型的泛化能力和表达力也有所提升。（3）设计图语义分解注意力网络节点分类算法SD-GAT。为验证SD对基于GNN节点分类任务的有效性,将SD直接应用在两种最常见的注意力机制之中,分别称SD-GAT-dot和SD-GAT-cat。在直推学习中,SD-GAT-dot在Cora和Citeseer上的准确率超过所有相关基准模型,其中在Cora上比最高的Graph SAGE-GCN高0.8%（达到84.1%）,在Citeseer上比最高的GAT高1.3%（达到73.8%）。在归纳学习中,SD-GAT-dot和SD-GAT-cat在PPI上的micro-F1值分别达到0.991和0.992（GAT和VQ-GNN（GAT）的表现分别是0.973和0.9737）。