在处理表格数据时，基于决策树的模型因其在该类数据上表现出的高准确性、易于应用以及良好的可解释性而广受欢迎。然而，当面对图结构数据时，如何有效应用此类模型仍不明确，尤其是在如何融合节点上的表格数据与图的拓扑结构信息方面存在挑战。为解决这一问题，我们提出了 TREE-G 模型。TREE-G 对标准决策树进行了改进，引入了一种专为图数据设计的新型分裂函数。该分裂函数不仅融合了节点特征与图的拓扑信息，还引入了一种新颖的指针机制，使得当前分裂节点能够利用先前分裂过程中计算得到的信息。因此，该分裂函数能够根据具体的预测任务和所处理的图结构自适应调整。我们对 TREE-G 的理论性质进行了分析，并在多个图结构与节点预测基准任务上通过实验证明了其优越性。实验结果表明，TREE-G 在各项任务中 consistently 超越其他基于树的模型，且在许多情况下显著优于其他图学习算法，如图神经网络（Graph Neural Networks, GNNs）和图核方法（Graph Kernels），部分场景下性能差距尤为显著。此外，TREE-G 模型及其预测结果具有良好的可解释性与可视化能力，便于理解模型决策过程。