计算机工程与科学

作者：谢秋园, 李秋瑶, 柴变芳

单位：（河北地质大学信息工程学院，河北 石家庄 050031）

关键词：图挖掘,图提示学习,图神经网络,少样本,聚类,

基金：河北省硕士在读研究生创新能力培养资助项目（CXZZSS2025104）

在图挖掘任务中，基于原型的图提示学习已被广泛视为提升图数据分析性能的有效手段。然而，在少样本节点分类场景下，现有方法存在无标签数据利用不充分导致类原型构建不准确以及对图拓扑结构信息利用不充分的问题，这些不足限制了图提示学习方法在下游任务中的效果。为此，提出了一种融合所有节点簇分布的图提示学习方法PNCD-GP，旨在通过更有效地利用无标签数据的簇分布和拓扑结构信息，提升图数据分析的性能和准确性。在预训练阶段，采用预测掩码和保持图节点聚类作为优化策略，以学习具有判别力的节点表示，缩小上下游任务之间的差距。在图提示阶段，在原始图中引入类原型虚拟节点作为提示，引入高阶信息增强图的拓扑结构，提升模型对图结构的理解和利用能力，并通过保持无标签样本与有标签节点的簇分布来学习提示。该方法能够构建更精准的原型向量，并利用类原型与节点表示的相似性进行节点分类。在多个公开图数据集上的实验结果表明，PNCD-GP方法在效率与准确率方面均有显著优势，验证了其在图提示学习领域的有效性和潜力。

来源：2025年第11期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2025年第11期