计算机应用

作者：李玟, 李开荣, 杨凯

单位：扬州大学 信息工程学院，江苏 扬州 225127

关键词：图表示学习,图神经网络,数据增强,自监督学习,图对比学习,节点分类

基金：国家自然科学基金资助项目(61872313);江苏省J-TOP创新挑战季项目(T-2023-2023-0410);江苏省高校自然科学研究项目(22KJD120002)

图神经网络（GNN）是处理图结构数据的有效图表示学习方法。然而，在实际应用中， GNN的性能受限于信息缺失问题：一方面，图结构通常较为稀疏，导致模型难以充分学习节点特征；另一方面，监督学习依赖的标签数据通常稀缺，使模型训练受限，进而难以获得鲁棒的节点表示。针对以上问题，提出一种基于数据增强的子图感知对比学习（SCLDA）模型。首先，使用链路预测学习原始图得出节点之间的关系得分，并将得分最高的边添加到原始图中以生成增强图；其次，对原始图和增强图分别利用目标节点进行局部子图采样，将子图的目标节点输入共享GNN编码器，生成子图级别的目标节点嵌入；最后，基于2个视角子图的目标节点的对比学习最大化相似实例之间的互信息。在Cora、Citeseer、Pubmed、Cora_ML、DBLP和Photo 6个公共数据集上进行节点分类实验的结果表明， SCLDA模型比传统GCN模型的准确率分别提升了约4.4%、6.3%、4.5%、7.0%、13.2%和9.3%。

来源：2026年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第1期