摘要

图神经网络（Graph Neural Networks, GNNs）已成为图数据的标准学习架构，广泛应用于量子化学、推荐系统、知识图谱以及自然语言处理等多个领域。然而，对于任意图结构而言，节点缺乏规范化的位置信息，这限制了GNN在区分同构节点及其他图对称性方面的表示能力。为应对这一挑战，一种有效方法是引入节点的位置编码（Positional Encoding, PE），并将其注入网络的输入层，类似于Transformer中的处理方式。常见的图结构位置编码包括拉普拉斯矩阵的特征向量。在本工作中，我们提出将结构表示与位置表示进行解耦，以帮助网络更有效地学习这两种关键属性。为此，我们设计了一种新颖的通用架构，命名为LSPE（Learnable Structural and Positional Encodings，可学习的结构与位置编码）。我们在多种稀疏和全连接（类Transformer）的GNN模型上进行了实验，结果表明，当为这两类GNN均引入可学习的位置编码时，在分子数据集上的性能提升显著，最高可达64.14%，最低亦有1.79%的提升。