Graph Convolutional Networks (GCNs) haben erhebliche Verbesserungen im Bereich des semi-überwachten Lernens auf graphstrukturierten Daten gezeigt. Parallel dazu hat das unüberwachte Lernen von Graph-Einbettungen von den Informationen profitiert, die in zufälligen Spaziergängen enthalten sind. In dieser Arbeit schlagen wir ein Modell vor: Netzwerk von GCNs (N-GCN), das diese beiden Forschungsrichtungen verbindet. Im Kern trainiert N-GCN mehrere Instanzen von GCNs über Knotenpaare, die bei unterschiedlichen Distanzen in zufälligen Spaziergängen gefunden werden, und lernt eine Kombination der Instanz-Ausgaben, die das Klassifizierungsziel optimiert. Unsere Experimente zeigen, dass unser vorgeschlagenes N-GCN-Modell die Stand der Technik in allen betrachteten anspruchsvollen Knotenklassifikationsaufgaben verbessert: Cora, Citeseer, Pubmed und PPI. Darüber hinaus weist unsere Methode weitere wünschenswerte Eigenschaften auf, darunter die Verallgemeinerung auf kürzlich vorgeschlagene semi-überwachte Lernmethoden wie GraphSAGE, was es uns ermöglicht, N-SAGE vorzuschlagen, sowie Robustheit gegenüber feindlichen Eingangsveränderungen.