Page 233 - 《软件学报》2026年第2期

712 软件学报 2026 年第 37 卷第 2 期

73
73
72 72
71 准确率 (%) 72.0 71 准确率 (%) 72.0
70 70
69 71.5 71.5
68 71.0 69 71.0
70.5 68 70.5
1.0
0.9 70.0 1.0 70.0
0.8 0.9 69.5
69.5
0.7 0.8 69.0
0.7
0.6 69.0 0.6 68.5
0.5 68.5 β
β 0.5
0.4
0.4
0.3 0.3
0.1 0.2 0.3 0.4 0.5 0.6 0.2 0.1 0.2 0.3 0.4 0.5 0.2
α 0.7 0.8 0.9 1.0 0.1 α 0.6 0.7 0.8 0.9 1.0 0.1
β 的灵敏性分析 β 的灵敏性分析
图 5 Cora 数据集上关于 α 和 图 6 IMDB-B 数据集上关于 α 和
4 总 结
本文提出了一种自监督图表示学习的结构关系建模 (SRM) 框架, 旨在全面探索图粒度之间复杂关系的必要
性, 并探讨关系建模策略的有效性. SRM 框架的引入旨在克服由弱监督信号和图拓扑不平衡导致的局限性, 从而
增强图表示学习的性能. 为了有效捕捉图的内部局部结构, 本文提出了一种基于分区和多跳邻居信息的子图采样
机制. 这种机制能够充分利用图的局部信息, 提高模型的判别能力, 进而优化图表示的质量. 此外, 本文还引入了一
种节点正则化技术, 以增强模型对扰动的鲁棒性, 确保在训练过程中生成的图保持合理和稳定. 通过在多个基准数
据集上进行大量实验, 本文验证了所提出的方法在自监督图表示学习方面的优越性. 相较于监督和无监督图表示
学习方法, 本文的方法展现出了更高的性能. 这些实验结果不仅证明了 SRM 框架的有效性, 还展示了其在处理复
杂图数据方面的潜力. 尽管具有竞争力的性能, 当前 SRM 的图分区过程涉及多个步骤, 未来的研究将聚焦于探索
一种端到端的分区方案, 旨在将分区过程与特征表示学习无缝融合, 形成一个更加简洁且高效的统一框架. 此外,
为了进一步提升 SRM 的普适性和实用性, 本文将继续扩展 SRM 对更广泛的图任务的适用性 (如链接预测) 和对
更大图数据集的鲁棒性 (如 OGB 数据集).

References
[1] Zhao WZ, Yuan G, Zhang YM, Qiao SJ, Wang SZ, Zhang L. Multi-view fused spatial-temporal dynamic GCN for urban traffic flow
prediction. Ruan Jian Xue Bao/Journal of Software, 2024, 35(4): 1751–1773 (in Chinese with English abstract). http://www.jos.org.cn/
1000-9825/7018.htm [doi: 10.13328/j.cnki.jos.007018]
[2] Ma ZB, Mi Y, Zhang B, Zhang Z, Wu JY, Huang HW, Wang WD. Review on deep learning algorithms for heterogeneous medical image
processing. Ruan Jian Xue Bao/Journal of Software, 2023, 34(10): 4870–4915 (in Chinese with English abstract). http://www.jos.org.cn/
1000-9825/6680.htm [doi: 10.13328/j.cnki.jos.006680]
[3] Xia F, Sun K, Yu S, Aziz A, Wan LT, Pan SS, Liu H. Graph learning: A survey. IEEE Trans. on Artificial Intelligence, 2021, 2(2):
109–127. [doi: 10.1109/TAI.2021.3076021]
[4] Zhang ZW, Cui P, Zhu WW. Deep learning on graphs: A survey. IEEE Trans. on Knowledge and Data Engineering, 2022, 34(1):
249–270. [doi: 10.1109/TKDE.2020.2981333]
[5] Chen DL, Lin YK, Zhao GX, Ren XC, Li P, Zhou J, Sun X. Topology-imbalance learning for semi-supervised node classification. In:
Proc. of the 34th Int’l Conf. on Neural Information Processing Systems. 2021. 29885–29897.
[6] Sun QY, Li JX, Yuan HN, Fu XC, Peng H, Ji C, Li Q, Yu PS. Position-aware structure learning for graph topology-imbalance by
relieving under-reaching and over-squashing. In: Proc. of the 31st ACM Int’l Conf. on Information & Knowledge Management. Atlanta:
ACM, 2022. 1848–1857. [doi: 10.1145/3511808.3557419]
[7] Han YH, Hui L, Jiang HB, Qian JJ, Xie J. Generative subgraph contrast for self-supervised graph representation learning. In: Proc. of the
17th European Conf. on Computer Vision. Tel Aviv: Springer, 2022. 91–107. [doi: 10.1007/978-3-031-20056-4_6]
[8] Liu YX, Jin M, Pan SR, Zhou C, Zheng Y, Xia F, Yu PS. Graph self-supervised learning: A survey. IEEE Trans. on Knowledge and Data