Page 228 - 《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 707

邻节点具有相似特征的假设之上 [24,32,33] , 忽略了全局节点特征相似性在知识传递过程中的重要性. 为了减轻节点
扰动导致的性能波动, 本文致力于连续迭代中生成的全局特征保持相似, 以确保模型权重在训练过程中不会过快
i
变化. 具体来说, 由于 i−1 次迭代将学到的全局特征知识 Z 传递给 i 次迭代, 本文的目标是最小化 Z 和 Z i−1 之间的
距离:

1 N ∑ N ∑ i−1 2 1 / ( )
i
iT
L Smooth = ||Z −Z || + 2 tr Z LZ i (8)
N j j N
i=1 j=1
其中, N 是节点数, tr(·) 表示矩阵的迹, L = D− A 是与图邻接矩阵相关联的拉普拉斯矩阵, 其中 D 是度矩阵,
∑ [32]
D ii = A i j , T 表示转置. 除了考虑知识传递的平滑性 (第 1 项) 之外, 本文还使用 Dirichlet 能量 (第 2 项) 增强
j
相邻节点之间的依赖关系.
此外, 为进一步提升图的整体连通性并维持其稀疏性 [24] , 本文在框架中引入了连通性和稀疏性约束:

−1 T γ
L CS = log(A1)+ ||A|| 2 F (9)
N N 2
其中, 1 表示全 1 向量, ||·|| F 表示矩阵的 Frobenius 范数, γ 是一个非负值, 用于控制稀疏性. 第 1 项通过对数障碍惩
罚来避免形成断开的图, 而第 2 项则通过对大度数进行惩罚来控制稀疏性.
最终, 节点正则化被定义为上述损失的总和, 即:

(10)
L Reg = αL Smooth +βL CS
其中, α 和 β 是超参数, 用于平衡平滑性、连通性和稀疏性在正则化过程中的贡献.
公式 (10) 引入了平滑性、连通性和稀疏性这 3 个正则化目标. 具体来说, 平滑性目标旨在确保在连续迭代
过程中, 生成的全局特征保持相似, 从而避免模型权重过快变化导致的性能波动. 具体来说, 我们通过最小化相
邻节点特征之间的变化量来实现平滑性. 这一目标函数的作用在于促进节点间特征的一致性, 使得在信息传播
过程中, 相似节点能够保持相似的特征表示, 从而增强模型的鲁棒性. 连通性目标函数的设计主要关注图的整
体结构, 确保学习到的节点嵌入能够反映图的连通性信息. 在图结构数据中, 连通性是一个重要的全局属性, 它
决定了图中节点之间的可达性和路径. 通过强制连通性, 我们确保模型能够学习到能够反映图整体结构的节点
嵌入, 从而增强模型在全局图任务 (如图分类) 中的性能. 连通性目标函数有助于捕捉图中的长距离依赖关系,
使得模型能够更好地理解图的宏观结构特征. 稀疏性目标函数的设计旨在避免模型学习到过于稠密的节点嵌
入, 这有助于减少计算复杂度并提高模型的泛化能力. 在图表示学习中, 如果节点嵌入过于稠密, 可能会引入不
必要的噪声和冗余信息, 导致模型对未见数据的预测能力下降. 通过引入稀疏性约束, 我们鼓励模型学习到简
洁且信息量丰富的节点嵌入, 从而提高模型的有效性和效率. 此外, 稀疏性还有助于揭示图数据中潜在的重要
结构特征, 如社区结构等.
3 实验分析

为了全面评估本文所学图表示的有效性, 本文将提出的方法应用于节点分类和图分类两种图学习任务. 与当
前先进方法相比, 本文模型在多个数据集上均展现出卓越的性能. 为进一步剖析模型的工作机制, 本文深入探讨了
模型中多重关系建模、正则化、采样策略、子图大小和屏蔽比例对图结构学习的影响.
3.1 实验设置
本文方法的整体训练流程如图 2 所示. 为模拟节点扰动, 本文在子图和全图层面随机屏蔽了一定比例的节点
特征, 并借助缩放余弦损失 [21] 及特定的节点正则化策略重建图结构. 在采样阶段, 输入图被划分为约 100 个等份,
子图大小则依据采样过程中的跳数来确定. 为确保比较的公正性, 本文在节点分类任务中采用 GAT [34] 作为自动编
码器的主干, 在图分类任务中选择 GIN [35] 作为主干. 不同数据集的具体网络参数设置如表 1 和表 2 所示.