Page 231 - 《软件学报》2026年第2期

710 软件学报 2026 年第 37 卷第 2 期

连接, 以增强信息的交互与融合. “+子图批”进一步改进了局部分支, 通过采样子图批次而非单个子图, 提升了模型
的泛化能力. “+Mask Global/Local ”在全局或局部分支中随机屏蔽节点特征, 以增强模型的鲁棒性. 最后, “+L Reg ” (详见
公式 (10)) 通过添加节点正则化项, 进一步提升了模型的性能, 从而得到了最终的完整模型.

表 4 图分类实验结果 (%)

模型 IMDB-B IMBD-M PROTEINS COLLAB MUTAG REDDIT-B NCI1
GIN [48] 75.1±5.1 52.3±2.8 76.2±2.8 80.2±1.9 89.4±5.6 92.4±2.5 82.7±1.7
DiffPool [49] 72.6±3.9 － 75.1±3.5 78.9±2.3 85.0±10.3 92.1±2.6 －
SP [50] 55.6±0.2 38.0±0.3 75.1±0.5 － 85.2±2.4 － 73.0±0.2
GK [51] 65.9±1.0 43.9±0.4 71.7±0.6 72.8±0.3 81.7±2.1 － 62.3±0.3
WL [52] 72.3±3.4 47.0±0.5 72.9±0.6 － 80.7±3.0 68.8±0.4 80.3±0.5
DGK [53] 67.0±0.6 44.6±0.5 73.3±0.8 － 87.4±2.7 78.0±0.4 80.3±0.5
MLG [54] 66.6±0.3 41.2±0.0 76.1±2.0 － 87.9±1.6 － 80.8±1.3
graph2vec [55] 71.1±0.5 50.4±0.9 73.3±2.1 － 83.2±9.3 75.8±1.0 73.2±1.8
InfoGraph [56] 73.0±0.9 49.7±0.5 74.4±0.3 70.7±1.1 89.0±1.1 82.5±1.4 76.2±1.1
GraphCL [11] 71.1±0.4 48.6±0.7 74.4±0.5 71.4±1.2 86.8±1.3 89.5±0.8 77.9±0.4
JOAO [57] 70.2±3.1 49.2±0.8 74.6±0.4 69.5±0.4 87.4±1.0 85.3±1.4 78.1±0.5
GCC [10] 72.0 49.4 － 78.9 － 89.8 －
MVGRL [58] 74.2±0.7 51.2±0.5 － － 89.7±1.1 84.5±0.6 －
InfoGCL [46] 75.1±0.9 51.4±0.8 － 80.0±1.3 91.2±1.3 － 80.2±0.6
GraphMAE [21] 75.5±0.7 51.6±0.5 75.3±0.4 80.3±0.5 88.2±1.3 88.0±0.2 80.4±0.3
DGCL [14] 75.9±0.7 51.9±0.4 76.4±0.5 81.2±0.3 92.1±0.8 － 81.9±0.2
Ours 76.2±0.5 52.0±0.5 76.8±0.2 81.3±0.3 92.3±1.1 90.3±0.3 81.2±0.4

表 5 节点分类和图分类实验中关于关系建模的消融实验 (%)

节点分类 图分类
模块
Cora PubMed PPI IMDB-B MUTAG
基线模型 78.6 79.3 70.5 72.5 87.6
+局部分支 81.4 79.4 70.8 74.1 88.5
+特征融合 81.7 80.1 71.2 74.3 88.9
+子图批 84.4 81.0 74.5 75.2 91.7
84.6 81.1 75.1 75.7 92.0
+ Mask Global
84.8 81.3 75.8 75.7 92.1
+ Mask Local
85.3 82.7 75.4 76.2 92.3
+ L Reg

如表 5 所示, 局部分支的构建以及局部与全局特征信息的融合 (基线模型+局部分支), 对局部与全局关系的学
习具有显著影响. 这一作用主要得益于局部和全局底层结构表示的互补性. 特别地, 当表 5 中变种模型 (即基线模
型+局部分支+特征融合+子图批) 通过集成训练批次中的子图推理结果时, 显著提升了模型的性能. 与每次仅采样
一个子图的做法相比 (基线模型+局部分支), 本文提出的子图采样机制确保了图中节点采样概率的均衡性. 这种机
制允许以一种灵活的方式聚合每个子图训练批次中的有意义局部结构信息, 从而增强了模型捕捉复杂关系的能力.
从表 5 可以观察到, 节点掩码 (包括 Mask Global 和 Mask Local ) 和所提出的节点正则化 L Reg 均有助于提升性能. 这
表明在建模节点间相关性关系时, 引入节点扰动和节点约束是行之有效的.
综上所述, 基于上述对建模单一关系的观察, 探索不同图粒度之间复杂关系的必要性及意义凸显. 仅考虑单一
关系的建模变体在性能上已优于基线模型, 而整合了所有 3 种关系的完整模型则实现了最佳性能. 更为关键的是,
深入理解内在的图关系不仅深化了对图结构的认识, 而且对图结构化数据的建模至关重要.