Wir behandeln das Problem der Graphenklassifizierung, das sich allein auf strukturelle Informationen stützt. Inspiriert von Techniken der natürlichen Sprachverarbeitung (NLP), unser Modell fügt sequentiell Informationen ein, um die Wahrscheinlichkeiten der Klassenmitgliedschaft zu schätzen. Darüber hinaus experimentieren wir mit NLP-ähnlichen variationellen Regularisierungstechniken, wobei das Modell beim Lesen der Sequenz den nächsten Knoten vorhersagt. In experimentellen Studien zeigen wir, dass unser Modell auf mehreren Standard-Datensätzen aus der Molekularwelt erstklassige Klassifizierungsresultate erzielt. Schließlich führen wir eine qualitative Analyse durch und geben einige Erkenntnisse darüber, ob die Knotenvorhersage dem Modell hilft, Graphen besser zu klassifizieren.