Page 230 - 《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 709

表 3 节点分类实验结果 (%)(续)

直推式 归纳式
模型
Cora Citeseer PubMed PPI Reddit
GraphSAGE [41] 79.2±1.5 71.2±0.5 73.1±1.4 51.3±3.2 92.1±1.1
Raw features 56.6±0.4 57.8±0.2 69.1±0.2 42.5±0.3 58.5±0.1
DeepWalk [42] 67.2 43.2 65.3 52.9 32.4
GAE [16] 71.5±0.4 65.8±0.4 72.1±0.5 － －
GraphSAGE [41] 75.2±1.5 59.4±0.9 70.1±1.4 46.5±0.7 90.8±1.1
GRACE [12] 81.9±0.4 71.2±0.5 80.6±0.4 69.7±0.2 94.7±0.0
DGI [43] 82.3±0.6 71.8±0.7 76.8±0.6 63.8±0.2 94.0±0.1
BGRL [44] 82.7±0.6 71.1±0.8 79.6±0.5 73.6±0.2 94.2±0.0
GMI [45] 83.0±0.3 73.0±0.3 79.9±0.2 65.0±0.0 95.0±0.0
GATE [18] 83.2±0.6 71.8±0.8 80.9±0.3 － －
GraphCL [11] 83.6±0.5 72.5±0.7 79.8±0.5 65.9±0.6 95.1±0.1
Sub-graph Contrast [9] 83.5±0.5 73.2±0.2 81.0±0.1 66.9±0.2 95.2±0.0
InfoGCL [46] 83.5±0.3 73.5±0.4 79.1±0.2 － －
CCA-SSG [47] 84.0±0.4 73.1±0.3 81.0±0.4 73.3±0.2 95.1±0.0
GraphMAE [21] 84.2±0.4 73.4±0.4 81.1±0.4 74.5±0.3 96.0±0.1
IDGL [27] 84.5±0.3 74.1±0.2 － － －
GSC [7] 84.6±0.1 73.7±0.1 82.1±0.2 69.1±0.3 95.3±0.1
Ours 85.3±0.2 74.1±0.4 82.7±0.2 75.4±0.2 96.5±0.0

3.3 图分类实验
图分类旨在根据图的特性 (如图密度、图结构) 对具有未知标签的图进行类别预测. 为了全面评估本文方法
的性能, 我们将其与监督方法、图核方法以及自监督方法进行了对比.
本文选择了 4 个社交网络数据集 (即 IMDB-B、IMDB-M、COLLAB、REDDIT-B) 以及 3 个生物信息学数据
集 (即 MUTAG、PROTEINS、NCI1) 作为实验对象. 鉴于社交网络数据集缺乏节点特征, 仅依赖图结构信息, 本文
采用度作为输入节点特征. 同时, 由于这些社交网络数据集中不存在节点标签, 本文遵循公共标准 [14] 进行公平的
性能比较.
结果分析如后文表 4 所示, 本文方法在全部数据集上均超越了主要的竞争生成方法 GraphMAE [21] , 其中在 6
个数据集上名列榜首, 仅在 NCI1 数据集上位居次席. 值得注意的是, DGCL [14] 方法虽然基于 GIN 构建多通道消息
传递层, 但其参数复杂度较高. 相较之下, 本文方法专注于挖掘图内部关系, 并开发了一个简洁的框架, 因此避免了
复杂的数据增强和网络结构技术, 使得方法更为高效和实用. 此外, 本文方法在几乎所有图核方法上都表现出色,
这进一步证明了学习图粒度之间相互作用的优越性. 尤为令人瞩目的是, 本文方法甚至在性能上超越或比肩监督
方法, 这充分表明其学到的表示既有意义又强大, 同时也强调了在图学习任务中推理图结构的重要性. 上述观察结
果进一步验证了本文的主要观点, 即通过建模图的粒度并挖掘它们之间的复杂关系, 本文方法能够更有效地识别
图中隐藏的判别性信息, 从而在图分类任务中取得优异性能.
3.4 消融实验
为了深入探究核心设计的影响, 本文在多个数据集上实施了节点分类 (即 Cora、PubMed 和 PPI) 和图分类
(即 IMDB-B、MUTAG) 的消融研究. 所有变体均从头开始独立训练, 确保结果的公正性和准确性.
首先探讨了全面探索不同关系的必要性, 并评估了所提出的关系建模策略的有效性. 如表 5 所示, 本文引入了
一个不包含节点扰动、局部分支和特定节点正则化的基线模型作为起点. 随后, 通过一系列渐进的实验, 逐步将核
心组件添加到基线变体中, 以构建完整的模型. 具体地, 表 5 中的“+局部分支”表示在基线模型的基础上添加了一
个局部分支, 该分支专注于对单个子图进行采样而非整个批次. “+特征融合”则在局部和全局分支之间引入了横向