Page 185 - 《软件学报》2026年第1期

182 软件学报 2026 年第 37 卷第 1 期

图对比学习算法

基于不同图数据 基于不同图神经网络 基于不同对比
增强策略分类的算法 编码器结构分类的算法 损失目标的算法

使 使 无 使 使 使 使 使 使 使 使 使 使
用 用 图 用 用 用 用 用 用 用 用 用 用
固 可 数 对 非 标 杰 三 巴 B 二 元 典
定 学 据 称 对 准 森 元 洛 Y 元 学 型
式 习 增 编 称 化 香 组 孪 O 交 习 相
图 图 强 码 编 温 农 边 生 L 叉 损 关
数 数 的 器 码 度 散 缘 损 损 熵 失 分
据 据 算 结 器 交 度 损 失 失 损 的 析
增 增 法 构 结 叉 损 失 的 的 失 算 损
强 强 的 构 熵 失 的 算 算 的 法 失
的 的 算 的 损 的 算 法 法 算 的
算 算 法 算 失 算 法 法 算
法 法 法 的 法 法
算
法

图 1 图对比学习算法分类

本文在对近年来自监督图数据挖掘的研究进程进行跟踪分析的基础上, 对图对比学习这类工作进行了深入的
分析、总结和归纳. 近期相关综述文献 [58,59] 与本文在组织逻辑上存在本质区别: 文献 [58] 对图神经网络的自监
督学习方法进行了分类综述, 提出了基于生成、辅助属性、对比和混合方法的细分分类体系; 文献 [59] 也对图神
经网络的自监督学习方法进行了较为全面的回顾, 然而在图对比学习部分, 仅通过互信息这一个视角概括图对比
学习方法. 与上述综述不同, 本文聚焦于图对比学习方法的全面综述和细致分类. 在分类上, 本文从 3 个不同的角
度将图对比学习方法分成不同的类型.
1) 图数据增强策略: 包括使用固定式图数据增强的算法、使用可学习图数据增强的算法和无图数据增强的
算法.
2) 图神经网络编码器: 包括使用对称编码器结构的算法和使用非对称编码器结构的算法.
3) 对比损失目标: 包括使用标准化温度交叉熵损失的算法、使用杰森香农散度损失的算法、使用三元组边缘
损失的算法、使用巴洛孪生损失的算法、使用 BYOL 损失的算法、使用二元交叉熵损失的算法、使用元学习损
失的算法和使用典型相关分析损失的算法.
尤其是, 我们还基于上述 3 个不同的角度分别提出了如下设计: 基于拉普拉斯矩阵完成数据增强的图对比学
习方法, 采用不同图神经网络模块结构设计的图对比学习方法和温度系数可训练的图对比学习方法, 这些设计对
未来图对比学习算法的构建具有一定的指导作用. 本文的优点在于: 独特地从多角度分类和统一现有的图对比学
习方法, 提供了一个综合框架, 使研究者能够系统地理解和比较不同的图对比学习算法. 我们提出的分类方法有助
于揭示现有图对比学习研究中的潜在联系和差异, 为未来的研究提供了新的思路和方向.
本文第 1 节介绍图对比学习的相关方法和研究现状. 第 2 节介绍本文所需的基础知识, 包括图数据增强、图
神经网络编码器和对比损失目标. 第 3 节介绍一些主流的图对比学习方法并分析它们的技术特点, 并基于部分方
法提出一些技术改进. 第 4 节介绍图对比学习方法适用的 4 种任务. 最后总结全文, 讨论图对比学习中面临的挑
战, 并展望未来的研究方向.

1 背景知识

图对比学习是一种不需要依赖监督信息即可学习到节点嵌入表征的方法. 在过去的 5 年时间内, 图对比学习