Las redes neuronales convolucionales profundas (DCNNs) han tenido mucho éxito en muchas aplicaciones, como visión por computadora, diagnóstico médico automatizado, sistemas autónomos, etc. Otra aplicación de las DCNNs es para estrategias de juegos, donde la arquitectura de redes neuronales profundas puede usarse para representar y aprender estrategias directamente de jugadores expertos en diferentes lados. Muchos estados de juego pueden expresarse no solo como una estructura de datos de matriz adecuada para el entrenamiento de DCNN, sino también como una estructura de datos de grafo. La mayoría de los métodos de DCNN disponibles ignoran las características del territorio de las posiciones de ambos lados basadas en las reglas del juego. Por lo tanto, en este documento, proponemos un enfoque híbrido para la red neuronal de grafo para extraer las características del modelo de estrategias de juego y fusionarlo en un DCNN. Como modelo de aprendizaje de grafo, las redes convolucionales de grafo (GCNs) proporcionan un esquema mediante el cual extraer las características en una estructura de grafo, lo que puede extraer mejor las características en la relación entre las estrategias de juego. Validamos el trabajo y diseñamos una red híbrida para integrar GCNs y DCNNs en el juego de Go y demostramos que en el conjunto de datos KGS Go, el rendimiento del modelo híbrido supera al modelo tradicional de DCNN. El modelo híbrido demuestra un buen rendimiento en la extracción de la estrategia de juego de Go.