最近，大规模预训练模型的进步展示了学习通用表示的巨大潜力，但这在图结构领域仍面临诸多挑战。主要问题在于不同领域中的图形结构存在固有的差异，使得跨域捕获和迁移结构信息变得困难。此外，现有的大部分模型往往无法充分捕捉图结构的复杂性，导致嵌入空间的探索不充分。 为了解决这些问题，研究团队提出了一种名为 GFSE 的通用图结构编码器。GFSE 是一种创新的跨域图结构编码器，能够在不同的图域（如分子图、社交网络和引文网络）中捕获并迁移结构模式。GFSE 首次采用了多个自监督学习目标进行预训练，这意味着它能够在缺乏标签数据的情况下，通过多个角度学习图的结构特征。 GFSE 基于图变换器（Graph Transformer），在其架构中引入了由图归纳偏置指导的注意力机制。这种机制使得 GFSE 能够有效地编码多层级和细粒度的拓扑特征，提高了对复杂图结构的理解能力。预训练后，GFSE 生成的通用位置和结构编码可以无缝地集成到多种下游图特征编码器中，无论是用于处理向量化特征的图神经网络，还是用于处理文本属性图的大规模语言模型。 实验结果表明，GFSE 在多个领域都表现出色。无论是在合成数据集上，还是在真实世界的数据集上，GFSE 都显著提升了模型性能，同时大幅减少了特定任务的微调需求。尤其值得一提的是，GFSE 在 81.6% 的评估案例中达到了最先进的水平，这涵盖了多种图模型和不同类型的数据集，凸显了其作为强大且多功能图结构数据编码器的潜在价值。 GFSE 的成功不仅为图结构编码带来新的突破，也为未来的研究提供了有力的工具和支持。这项技术的广泛应用有望推动各个领域的技术创新和发展。