이 논문에서는 언어 모델링 및 딥러닝 분야의 최신 발전에 영감을 받아, 그래프의 하위 구조에 대한 잠재 표현을 학습할 수 있는 통합적인 프레임워크인 딥 그래프 커널(Deep Graph Kernels, DGK)을 제안한다. 본 프레임워크는 하위 구조 간의 종속성 정보를 활용하여 그들의 잠재 표현을 학습함으로써, 그래프의 구조적 특징을 효과적으로 포착한다. 제안된 프레임워크는 그래플릿 커널(Graphlet kernels), 위스페일러-레만 하위트리 커널(Weisfeiler-Lehman subtree kernels), 그리고 최단경로 그래프 커널(Shortest-Path graph kernels)과 같은 세 가지 대표적인 그래프 커널에 대해 구현 및 검증하였다. 여러 기준 데이터셋을 대상으로 수행한 실험 결과, 기존 최고 성능을 기록한 그래프 커널들에 비해 딥 그래프 커널이 분류 정확도에서 뚜렷한 개선을 보였다.