Page 232 - 《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 711

为了深入探究提出的节点正则化中各个术语的效用, 本文进行了详细的检验, 并将结果整理在表 6 中. 鉴于节
点约束所涵盖的平滑性、稀疏性和连通性的全面考量, 本文在生成阶段所采用的正则化方法能够有效地利用编码
表示重建完整的图结构. 这一过程中, 不仅保留了更多节点间的依赖信息, 而且增强了模型对复杂图结构的理解和
描述能力. 此外, 正则化的应用还有助于稳定训练过程, 减小标准差, 从而提升了模型的鲁棒性, 为细致而可靠地解
析图结构提供了坚实的基础.

表 6 节点分类和图分类实验中关于正则化的消融实验 (%)

节点分类 图分类
正则化策略
Cora PubMed PPI IMDB-B MUTAG
Ours 85.3±0.2 82.7±0.2 75.4±0.2 76.2±0.5 92.3±1.1
w/o L Smooth 84.7±0.3 82.3±0.2 75.0±0.4 75.8±0.6 91.5±1.4
w/o L CS 85.2±0.3 82.4±0.4 75.3±0.5 75.9±0.8 91.9±1.3
w/o L Reg 84.7±0.4 81.8±0.4 75.1±0.6 75.3±0.9 91.2±1.3

为了评估不同子图采样策略在捕捉局部和全局图信息方面的效能, 本文对比了包括随机游走 [59] 和广度优先
搜索 [7] 在内的多种方法. 实验结果详列于表 7, 显示本文所采用的基于分区的子图采样机制在性能方面相较于其
他方法具有显著优势. 这表明该机制在捕捉局部信息方面表现卓越, 并能有效集成子图内的远程邻居信息. 因此,
通过该机制所生成的改进表示有助于更精确地区分不同的子图, 为图数据的深入分析提供了有力的工具.

表 7 节点分类和图分类实验中关于采样策略的消融实验 (%)

节点分类 图分类
采样策略
Cora PubMed PPI IMDB-B MUTAG
基于分区的策略 85.3 82.7 75.4 76.2 92.3
基于随机游走的策略 82.2 80.5 72.8 74.6 90.2
基于广义优先搜索的策略 82.9 81.6 72.9 74.6 90.6

图 3 展示了子图大小对结果的影响的情况. 子图的大小由分区的数量和每个分区的采样大小决定. 对于较小
的 MUTAG 和 IMDB-B 数据集, 本文在特定范围内报告了消融实验的结果. 虽然不同图的最优组合有所不同, 但
在大多数情况下, 子图大小对模型性能的影响波动较小.
图 4 则展示了随机屏蔽节点特征比例的影响. 虽然不同图的最优掩码比率可能有所差异, 但一般而言, 较高的
掩码率有助于提高图表示的质量.

Cora PubMed MUTAG PPI IMDB-B
Cora PubMed PPI IMDB-B MUTAG
95 95
91.81 92.3 90.93 90.45 90.97 91.56
89.77 90 88.15 85.3 91.25
90
Accuracy (%) 85 83.7 82.17 83.6 83.61 84.24 84.15 84.05 Accuracy (%) 85 82.33 83.28 82 83.29 82.59
84.8
82.46
80
81.18
80
74.69
74.65
74.74
73.54
73.41
75 80.6 74.45 80.91 81.21 81.74 80.48 80.36 75 79.79 80.75 75.4 74.85 72.66
75.39 76.2
73.3873.91 74.15 74.04 74.41 74.02 72.59 72.63 74.24 72.46
70 70
4 8 12 16 20 24 28 0.1 0.3 0.5 0.7 0.9
图 3 关于子图大小的消融实验 图 4 关于随机屏蔽节点特征比例的消融实验
图 5 和图 6 分别展示了在 Cora 数据集以及 IMDB-B 数据集上关于 α 和 β 的灵敏性分析结果. 模型的性能随
着远离最优值而降低, 其他数据集上也展示了相似的结果. 因此, α 和 β 的精确调校对模型性能具有至关重要的影
响. 随着这两个参数逐渐偏离其最优值, 模型在捕捉数据特征、区分不同类别或情感倾向方面的能力显著减弱, 进
而表现为整体性能的下滑.