近期，用于图上半监督分类的神经消息传递算法取得了显著成功。然而，这些方法在对节点进行分类时仅考虑距离该节点几步传播范围内的其他节点，且所利用的邻域大小难以扩展。本文通过研究图卷积网络（GCN）与PageRank之间的关系，推导出一种基于个性化PageRank的改进传播方案。我们利用这一传播过程构建了一个简单的模型——神经预测的个性化传播（PPNP），以及其快速近似版本APPNP。我们的模型训练时间与先前模型相当或更快，参数数量也相当或更少。该模型利用了较大且可调节的邻域进行分类，并可以轻松地与任何神经网络结合使用。我们在迄今为止对GCN类模型最全面的研究中表明，该模型在半监督分类任务上的表现优于多种最近提出的方法。我们的实现代码已在线提供。