Reale Weltereignisse weisen ein hohes Maß an Wechselwirkungen und Verbindungen auf, weshalb auch die generierten Datensätze diese Strukturen vererben. Die meisten herkömmlichen KI-/ML-Techniken ignorieren jedoch die Beziehungen zwischen den Datenpunkten. Der jüngste Aufschwung des Interesses an graphbasierten KI-/ML-Verfahren zielt darauf ab, diese Verbindungen gezielt auszunutzen. Graphbasierte Lernalgorithmen nutzen Daten und deren relevante Informationen effizient, um überlegene Modelle zu entwickeln. Neural Graph Learning (NGL) ist eine solche Technik, die einen klassischen maschinellen Lernalgorithmus mit einer modifizierten Verlustfunktion kombiniert, um die Kanten in der Graphstruktur optimal zu nutzen. In diesem Artikel stellen wir ein Modell vor, das NGL nutzt – NodeNet –, um die Knotenklassifizierungsaufgabe für Zitiergraphen zu lösen. Wir diskutieren unsere Modifikationen und deren Relevanz für die Aufgabe. Zudem vergleichen wir unsere Ergebnisse mit dem aktuellen Stand der Technik und untersuchen die Gründe für die überlegene Leistung von NodeNet.