近日，TIME实验室2021级博士秦者云一篇论文“基于结构关系建模的自监督图表示学习”（作者：秦者云，卢宪凯，聂秀山，尹义龙）被软件学报录用。软件学报是CCF A类中文学术期刊。

该研究聚焦于当前图神经网络领域的关键挑战——如何从未标注的图数据中提取鲁棒的图表示。针对现有方法在处理未标注数据时普遍存在的拓扑结构失衡与过度聚合问题，研究团队提出了一种自监督结构关系建模框架。研究通过三大核心创新突破传统局限：其一，突破传统方法仅关注局部结构或节点嵌入的局限，在统一框架下对节点-子图-全图的多层次关系（涵盖局部-全局拓扑关联与节点相关性）进行联合建模，有效捕捉图的拓扑特征并挖掘结构自监督信号；其二，设计基于分区的子图采样机制，通过小批量训练策略缓解拓扑失衡引发的过度聚合与拓扑退化现象，确保信息传播的均匀性；其三，引入节点正则化策略，显著提升模型训练的稳定性与效率，生成更为精准的结构化表示。实验结果表明，在12个公开数据集上的节点分类与图分类任务中，该方法均展现出显著的性能提升，验证了其有效性与普适性。