Page 222 - 《软件学报》2026年第2期

秦者云 等: 基于结构关系建模的自监督图表示学习 701

鉴于图结构数据在交通网络、生物网络、社交网络等诸多领域的广泛应用 [1,2] , 关于图结构数据的表示学习,
尤其是节点和边的表示学习, 已经引起了人们越来越多的关注 [3,4] . 然而, 在实际应用中, 依赖特定任务的图数据标
注通常是一项耗时、劳动密集型且难以获取的工作. 这种对标签的强烈依赖所带来的挑战, 促使了众多研究致力
于探索自监督图表示学习的可能性. 它依赖于图结构本身的内在结构信息, 通过设计各种策略来捕捉和利用节点
和边之间的关系, 从而在无需外部标签的情况下, 实现图数据的表示学习. 这种方法不仅降低了对标签的依赖, 也
提高了图表示学习的效率和准确性.
尽管自监督学习方法在图表示学习领域展现出了潜力, 但其仍面临一个根本性的限制, 即相较于监督学习中
的明确标注标签, 自监督信号往往显得较为微弱. 这种固有的约束揭示了自监督学习方法的本质局限. 在图表示学
习的研究背景下, 还需深刻认识到节点在非欧几里得空间内的不规则分布特性. 这种分布通常表现为复杂、不对
称且不均匀, 被称为图拓扑不平衡 [5] . 在实际应用中, 由于数据的有限可用性和标记成本等现实约束, 不平衡图拓
扑的问题难以避免. 在图神经网络 (graph neural network, GNN) 的框架内, 节点的不均匀分布对信息传播的均匀性
产生了显著影响, 进而对 GNN 的整体性能造成了有害影响 [6] . 这种不均匀信息传播带来的问题主要体现在两个方
面: (1) 过度聚合: 在节点密度较高的区域, 存在过度聚合的现象. 这意味着有价值的监督信号可能会与大量无关信
息混杂在一起, 被聚合到同一个向量中, 导致信息失真. (2) 拓扑衰减: 在节点分布稀疏的区域, 随着拓扑距离的增
加, 重要节点的贡献逐渐减小, 即发生所谓的拓扑衰减现象. 这导致关键信息在传播过程中逐渐丢失, 影响了 GNN
的准确性.
为了应对上述挑战, 本文提出了一种结构关系建模框架 SRM (structural relation modeling), 旨在精确地捕捉不
同图粒度 (图、子图和节点) 之间的关系, 特别是局部-全局关系和节点相关性. (1) 局部-全局关系: SRM 通过基于
边信息将图划分为具有相同节点数的分区, 使得具有相似特征的节点聚集在一起, 减少了有价值信息与无关数据
的混杂, 从而有效缓解过度聚合问题. 同时, 这种划分方式确保低密度节点位于同一分区内, 有助于防止重要节点
之间距离过大, 促进了节点间信息流动的有效性, 并缓解了拓扑衰减现象. 此外, 通过并行学习子图特征, SRM 进
一步强化了信息的均匀传播. SRM 不仅关注局部 (基于分区的子图) 结构的建模, 也考虑到全局 (整个图) 结构, 旨
在深入理解局部关系如何对全局结构产生贡献. 通过挖掘局部和全局结构间潜在的互补性, 实现了更为精准的表
示. 在训练过程中, 通过从同一图中采样不同子图以创建训练批次, SRM 能够捕捉子图间的可分性, 并在全局图中
识别出独特的局部结构特征. (2) 节点相关性: SRM 对生成框架内的节点平滑性、连通性和稀疏性施加了约束, 以
确保重构节点的合理性和有效性. 这一措施有助于识别关键节点, 同时最小化噪声和冗余边的影响. 综上所述, 如
图 1 所示, SRM 通过在图、子图和节点之间建立相互关联的结构关系模型, 有效地捕捉和模拟了它们之间的固有
约束, 这包括图和子图之间的局部-全局关系 (包括子图之间的可分性), 以及节点之间的相关性.

子图之间
的可分性
节点之间 子图
的相关性
子图
局部-全局 节点
关系 图 (graph)
图 1 图、子图和节点之间的相互作用关系

在实践操作中, 对于给定的输入图, 本文提出的方法首要步骤是捕捉具有意义的局部结构信息. 随后, 利用
一种创新的基于分区的子图采样机制, 构建子图训练批次. 具体来说, 本文采取节点分区策略, 旨在确保分区内
的节点间具有较强的连通性, 同时运用多跳邻域信息, 以捕捉那些虽距离较远但实则相关的节点间的长期依赖
关系. 基于这些分区, 本文进一步执行多跳子图采样操作. 此外, 为了增强子图以及整个图中学习到的表示, 本文