在图分类任务中，现有的利用丢弃节点的图池化算法得到的图嵌入表示没有有效地利用丢弃节点蕴含的信息和图间节点信息，同时传统方法也没有针对图嵌入进行单独学习，限制了它在图分类任务上的部分性能。为克服上述传统方法的不足，提出一种有效利用丢弃节点信息的图嵌入方法——基于图池化对比学习的图分类方法（GPCL）。首先，利用图注意力机制学习每个节点相应的注意力分数，且根据注意力分数对节点进行排序并丢弃分数较低的节点；其次，将本图保留的节点作为正样本，将其他图被丢弃的部分节点作为负样本，而将图的嵌入表达作为目标节点，两两计算相似性分数，从而进行对比学习。实验结果表明：在D&D （Dobson PD-Doig AJ）、MUTAG、PROTEINS和IMDB-B数据集上，相较于仅使用注意力机制和分层池化的方法，GPCL在图分类任务上的准确率分别提升了5.79、15.54、5.42和1.75个百分点，验证了GPCL充分提高了图间信息的利用率，在图分类任务上表现良好。
