Page 183 - 《软件学报》2026年第1期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(1):180−199 [doi: 10.13328/j.cnki.jos.007417] [CSTR: 32375.14.jos.007417] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
图对比学习方法综述

刘子扬 1 , 王朝坤 1 , 章 衡 2

1
(清华大学 软件学院, 北京 100084)
2
(之江实验室, 浙江 杭州 311121)
通信作者: 王朝坤, E-mail: chaokun@tsinghua.edu.cn; 章衡, E-mail: h.zhang@zhejianglab.org

摘 要: 对比学习是一种在计算机视觉和自然语言处理等领域广泛应用的自监督学习技术. 图对比学习指的是在
图数据上应用对比学习技术的一类方法. 给出图对比学习的基本概念、算法和应用的一个综述. 首先介绍图对比
学习的背景和意义及其在图数据上的基本概念; 然后详细阐述图对比学习的主流方法, 包括基于不同图数据增强
策略的方法分类、基于不同图神经网络编码器结构的方法分类以及基于不同对比损失目标的方法分类等; 最后提
出了 3 个图对比学习的研究思路. 研究结果表明, 图对比学习是一项有效的技术, 可以用来解决图数据上节点分类、
图分类等一系列下游任务.
关键词: 图对比学习; 自监督学习; 图分类; 节点分类; 图神经网络
中图法分类号: TP181

中文引用格式: 刘子扬, 王朝坤, 章衡. 图对比学习方法综述. 软件学报, 2026, 37(1): 180–199. http://www.jos.org.cn/1000-9825/7417.
htm
英文引用格式: Liu ZY, Wang CK, Zhang H. Survey on Graph Contrastive Learning Methods. Ruan Jian Xue Bao/Journal of Software,
2026, 37(1): 180–199 (in Chinese). http://www.jos.org.cn/1000-9825/7417.htm

Survey on Graph Contrastive Learning Methods
1
1
LIU Zi-Yang , WANG Chao-Kun , ZHANG Heng 2
1
(School of Software, Tsinghua University, Beijing 100084, China)
2
(Zhejiang Laboratory, Hangzhou 311121, China)
Abstract: Contrastive learning is a self-supervised learning technique widely used in various fields such as computer vision and natural
language processing. Graph contrastive learning (GCL) refers to methods that apply contrastive learning techniques to graph data. A review
is presented on the basic concepts, methods, and applications of graph contrastive learning. First, the background and significance of GCL,
as well as its basic concepts on graph data, are introduced. Then, the mainstream GCL methods are elaborated in detail, including methods
with different graph data augmentation strategies, methods with different graph neural network (GNN) encoder structures, and methods
with different contrastive loss objectives. Finally, three research ideas for GCL are proposed. Research findings demonstrate that graph
contrastive learning is an effective approach for addressing various downstream tasks, including node classification and graph classification.
Key words: graph contrastive learning (GCL); self-supervised learning; graph classification; node classification; graph neural network (GNN)

图是一种抽象的数据结构, 在真实世界中具有广泛的应用, 如社交网络 [1−4] 、交通系统 [5−8] 、知识图谱 [9−12] 等.
图中的节点可以表示各种实体, 如人、物、地点、基因等, 而边则可以表示这些实体之间的关系, 如人与人之间的
社交关系、物品之间的相似性关系、地点之间的距离关系、基因之间的相互作用关系等. 因此, 图数据可以用来
表示各种不同类型的关系网络, 善于捕捉复杂关系和模式, 从而帮助我们更好地理解事物之间的联系和相互作用.
随着人工智能、深度学习和神经网络的崛起, 图数据越来越受到关注 [13−15] . 例如, 在推荐系统中, 我们可以使用图

* 基金项目: 国家自然科学基金 (62372264); 之江实验室软课题 (K2023PD0AK01)
收稿时间: 2023-09-29; 修改时间: 2024-06-11, 2024-09-29; 采用时间: 2025-02-19; jos 在线出版时间: 2025-09-17
CNKI 网络首发时间: 2025-09-18