Page 224 - 《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 703

1.3 图结构学习
图结构学习 [25] 旨在学习一个优化的图结构, 以提升表示学习的鲁棒性 [26] 或图表示质量 [27,28] . 现有的结构学习
研究工作利用了图的不同粒度 (节点、子图和图) 之间的内在交互关系. 这些关系在外部表现为节点之间的依赖
关系 [21] 、子图之间的相关性和可分性 [29] , 以及子图和图之间的局部-全局关系 [30] . 先前的研究经验一致表明, 有效
地建模这些内在关系对于促进图表示学习具有至关重要的作用. 然而, 现有的工作对结构关系的理解往往仅聚焦
于部分粒度之间的交互关系, 而忽视了整体结构的复杂性. 因此, 本文旨在从更为全面和深入的视角出发, 充分学
习不同粒度之间的结构关系, 以期学习出更为紧凑、更具区分性的图结构.
2 方法描述

本节详细阐述基于结构关系建模的自监督图表示方法, 其核心思想在于利用图中固有的多粒度关系, 在无需
监督的情况下学习稳健的特征表示, 从而增进对图结构的深入理解. 这一方法的展开首先始于对所提出框架的概
述. 随后, 将深入探讨指导结构关系建模的技术细节.
设 A ∈ R N×N 是图 G = (V,E) 的邻接矩阵, 其中 N = |V| 表示节点总数. X ∈ R N×F 则为图 G 的节点特征矩阵. 如
图 2 所示, 本文采用具有横向联系的局部分支和全局分支分别捕获局部子图结构特征和全局图结构特征. 这两个
分支共享编码器和解码器结构, 但不共享权重, 通过节点扰动和节点正则化技术提升所学特征的质量. 特别值得注
意的是, 局部分支基于所提出的采样机制, 能够从同一输入图中独立采样多个子图进行批量训练, 并最终将各批次
的结果汇总为最终输出.

子图批
图分区 [MASK] 编码器 解码器

子图采样
细化阶段 局部分支 融合 节点正则化 L Reg
全局分支
聚合节点
编码器 解码器
粗化阶段
坍塌节点
P-hop 领域聚合
生成的边
[MASK]
分区阶段 分区边界 输入图 编码阶段 解码阶段 重构图
(a) 图分区示意图 (b) SRM 流程示意图
图 2 结构关系建模 SRM 框架图

2.1 基于分区的子图采样
为了全面捕获图数据的语义完整的局部结构, 本文提出了基于分区的四阶段子图采样机制, 包括粗化、分区、
细化和采样. 该机制的核心目标在于使节点的采样概率趋于收敛, 从而更有效地应对稠密和稀疏节点部分的复杂
组合.
2.1.1 粗化阶段
本文首先通过迭代构建一系列粗图 G l = (V l ,E l ), l < L 开始, 这些粗图的大小均小于原始图 G 0 = G (即 |V l | > |V l+1 |).
每个后续的粗图 G l+1 都是基于前一个粗图 G l 构建的, 通过折叠语义和拓扑上相似节点间的边来实现. 由于输入的
图是无向的, 节点的相似性被用作边的权重, 可以更精确地衡量节点间的关系.
为了实现平衡折叠, 本文进一步采用了智能的策略, 即通过学习从具有不同跳数或搜索深度的节点局部邻域
中聚合丰富的特征信息. 这一方法不仅确保了节点间相似性的准确计算, 还可以更加精细地捕获图数据的局部结
构信息, 而且为后续阶段的分区和采样奠定了坚实的基础.