摘要

图表示学习（GRL）方法，如图神经网络和图变换器模型，已成功应用于分析图结构数据，主要集中在节点分类和链接预测任务上。然而，现有的研究大多仅考虑局部连通性，而忽略了远距离连通性和节点的作用。在本文中，我们提出了一种统一的图变换器网络（UGT），能够有效地将局部和全局结构信息整合到固定长度的向量表示中。首先，UGT通过识别局部子结构并聚合每个节点的$k$跳邻域特征来学习局部结构。其次，我们构建虚拟边，连接具有结构相似性的远距离节点，以捕捉长程依赖关系。第三，UGT通过自注意力机制学习统一表示，编码节点对之间的结构距离和$p$步转移概率。此外，我们提出了一种自监督学习任务，该任务能够有效学习转移概率，融合局部和全局结构特征，并可迁移至其他下游任务。实验结果表明，在多个下游任务的真实世界基准数据集上，UGT显著优于由最先进模型组成的基线方法。另外，UGT在区分非同构图对方面达到了三阶Weisfeiler-Lehman同构测试（3d-WL）的表达能力。源代码可在https://github.com/NSLab-CUK/Unified-Graph-Transformer 获取。