现有的半监督学习图神经网络（如图卷积网络）方法已被证明无法学习一类广泛的邻域混合关系。为了解决这一弱点，我们提出了一种新的模型——MixHop，该模型可以通过反复混合不同距离邻居的特征表示来学习这些关系，包括差分算子。MixHop 不需要额外的内存或计算复杂度，并且在具有挑战性的基准测试中表现出色。此外，我们提出了稀疏正则化方法，使得我们可以可视化网络在不同图数据集上如何优先处理邻域信息。对所学架构的分析表明，邻域混合在不同的数据集中有所差异。