计算机工程与应用

作者：潘志松, 徐成成, 王田丰, 陈满, 陈军

单位：中国人民解放军陆军工程大学 指挥控制工程学院，南京 210007；

关键词：图神经网络,图对比学习,拓扑不平衡,节点分类

基金：国家自然科学基金（62076251，62371469）。

现实世界的图数据集通常表现出拓扑不平衡，即大量的节点是度数较低的尾部节点。由于尾部节点的邻居信息有限，因此其通过图卷积网络获得的初始表示质量较差，进而影响图对比学习模型对尾部节点的区分能力。此外，在相似度最大（最小）处选择同类（异类）边的方法并不适用于图对比学习。为了提升模型对尾部节点的区分能力，提出了一种平衡视图构建的图对比学习框架BVGCL。具体来说，BVGCL通过增加尾部节点的同类边和减少头部节点的异类边来构建拓扑平衡的视图，进而平衡节点表示的质量。此外，BVGCL采用Beta混合模型来估计节点之间具有相同标签的概率，有效提升了同类边和异类边的选择精度。在BVGCL中，邻居的低维表示也被视为正样本来提升模型的整体表达能力。在五个基准数据集上进行了大量的实验，结果表明BVGCL的节点分类性能优于基线方法。

来源：2026年第3期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第3期