该论文提出了一种用于图结构数据的池化机制，用以实现下采样，并将其作为图卷积神经网络的一个组成部分。该池化机制基于一个矩阵的非负矩阵分解（Non-Negative Matrix Factorization, NMF），该矩阵表征了节点间的邻接关系与节点相似性，而这些相似性关系则通过模型学习得到的节点嵌入（vertex embedding）自适应地获取。利用该机制，可逐步生成更为粗粒度的图结构，其中节点根据非负分解的结果自适应地聚类为社区。在图分类基准任务上的实验分析表明，该图粗化过程显著提升了模型的预测性能，相较于未采用池化机制的基线模型具有明显优势。