基于拓扑优化的图卷积网络（TOGCN）是一类图卷积神经网络（GCNN）模型，它通过网络中的辅助信息优化网络拓扑结构，有利于反映节点间的联系程度；然而TOGCN模型仅注重局部节点之间的关联关系，对网络潜在的全局结构信息关注不足。融合全局特征信息，有助于提高模型的性能和处理信息缺失时的鲁棒性。提出了融合全局结构信息的拓扑优化图卷积网络（GE-TOGCN）模型，该模型一方面利用相邻节点的属性对拓扑图进行优化；另一方面使用类信息作为网络的全局结构信息，从而保持类内聚合性和类间分离性。首先根据标记节点计算类中心向量；然后利用部分未标记节点来更新类中心向量；最后将所有节点根据其与类中心向量的相似度分配到对应的类中，并通过一个半监督损失函数优化各类的类中心向量与节点的最终表示向量。在Cora、Citeseer数据集上，在标签信息缺失的情况下运用得到的节点表示向量进行了节点分类任务与节点可视化任务。实验结果表明，GE-TOGCN模型与图卷积网络（GCN）、图学习卷积网络（GLCN）等模型相比，在Cora数据集上的分类准确率提高了1.2~12.0个百分点，在Citeseer数据集上的分类准确率提高了0.9~9.9个百分点；而在节点可视化任务中所提模型的类内节点聚合程度更高，类簇之间的边界更明显。可见，融合类全局信息能减少标签信息缺失对模型学习效果的不良影响，且该模型得到的节点表示在下游任务中表现出了更好的性能。
