Los pasos principales en una red neuronal de grafos son la propagación de mensajes y la agregación entre nodos. La propagación de mensajes permite que los mensajes de nodos distantes en el grafo se transmitan al nodo central, mientras que la agregación de características permite que el nodo central obtenga mensajes sobre sus vecinos y se actualice, de modo que pueda expresar características de capas profundas. Debido a que los datos de estructura de grafo no tienen invariancia de traducción local, el número de vecinos de cada nodo central es diferente y no hay un orden, existen dos dificultades: (1) cómo diseñar un método de propagación de mensajes confiable para expresar mejor todas las topologías de la red; (2) cómo diseñar una función de agregación de características que pueda ponderar características locales y globales. En este artículo, se propone un nuevo modelo de red neuronal de grafos de propagación adaptativa basado en el mecanismo de atención (APAT-GCN), que permite a las GNN completar de manera adaptativa el proceso de propagación de mensajes y agregación de características, según los vecinos del nodo central, y establecer el grado de influencia de los mensajes locales y globales en la agregación del nodo central. En comparación con otros modelos clásicos, este método es superior al modelo base y puede mejorar la precisión de las tareas de clasificación a nivel de nodo y de grafo en tareas posteriores.