摘要
无监督图表示学习旨在将图中的多种信息浓缩为一种与下游任务无关的稠密向量嵌入。然而，现有的图表示学习方法主要基于节点同质性假设（即相连节点倾向于具有相似标签），并针对以节点为中心的下游任务进行优化。这种设计显然违背了任务无关性原则，在需要超越节点视角和同质性假设的特征信号的任务中（如边分类任务）通常表现不佳。为有效融合不同类型的特征信号，本文提出 PairE，一种新颖的无监督图嵌入方法。该方法以一对节点作为嵌入的基本单元，旨在保留节点之间的高频信号，从而支持节点相关与边相关任务。为此，我们设计了一种多自监督自编码器，用于执行两项预训练任务：其一更有效地保留高频信号，其二增强表示中的共性特征。在多种基准数据集上的大量实验结果表明，PairE显著优于现有的无监督最先进方法，在依赖成对节点中高频与低频信号的边分类任务上，相对性能提升最高达101.1%；在节点分类任务上，相对性能提升最高达82.5%。