Page 197 - 《软件学报》2026年第1期

194 软件学报 2026 年第 37 卷第 1 期

2 个通用型任务 (节点分类任务和图分类任务) 和 2 个真实应用任务 (商品推荐任务和异常检测任务).
4.1 节点分类任务

节点分类是网络分析和机器学习中的一项基本任务, 尤其是在图数据领域. 它涉及根据网络中节点的属性或
关系为图中的节点分配标签. 节点分类在各个领域都有许多应用, 包括社交网络分析、生物信息学和欺诈检测等.
节点分类的主要目标是根据图中每个节点的属性和网络结构来预测其标签. 每个节点都会从预定义的一组类别中
分配一个标签. 标签可以是两种类别 (例如, 垃圾邮件或非垃圾邮件) 或多类别 (例如, 电影的类型标签).
节点分类模型的性能通常使用准确率、精确率、召回率、F1 分数和 AUC-ROC 等指标进行评估, 这取决于
问题的性质 (两种类别或多类别) 和具体应用. 总之, 节点分类是图分析和机器学习中的一项重要任务, 它利用节
点属性和网络结构来进行预测, 广泛应用于以互连节点和边形式表示数据的各类领域. 一些可以解决节点分类任
务的图对比学习算法包括 GRACE [41] 、GCA [72] 、MVGRL [71] 和 CCA [86] 等.
4.2 图分类任务
图分类是一项图机器学习任务, 涉及根据整个图的结构、属性或两者为其分配标签或类别. 这项任务广泛应
用于各个领域, 包括化学、生物学和网络科学等, 其中的数据自然地表示为图数据. 图分类的主要目标是预测整个
图的分类标签. 每个图都被分配几个预定义类别中的一个. 标签可以表示各种概念, 例如分子类型、社交网络社区
或文档主题.
图分类中的性能通常使用标准分类指标进行评估, 如准确率、精确率、召回率、F1 分数和 AUC-ROC, 这取
决于问题的性质 (两种类别或多类别) 和具体应用. 图分类是图机器学习中的一项关键任务, 尤其是在数据自然表
示为图的领域. 它能够对复杂、互连的结构数据进行自动分类, 并在从药物发现到社交网络分析等各种应用中发
[43]
[40]
[45]
挥关键作用. 一些可以解决图分类任务的图对比学习算法包括 InfoGraph 、GraphCL 、AD-GCL 和 SimGRACE 等.
[42]
4.3 商品推荐任务
商品推荐是推荐系统中的一项重要任务, 旨在根据用户的偏好、行为或过去的互动向用户提供个性化建议.
该任务广泛用于电商平台、内容平台和各种在线服务, 以帮助用户发现相关项目或内容. 商品推荐的主要目标是
向用户推荐他们可能觉得有趣、相关或有用的商品列表. 这些商品可以包括日常用品、文章、电影、音乐、广告
或任何其他类型的内容或服务. 商品推荐任务的有效性通常使用精确率、召回率、F1 分数、平均精确度和 AUC-
ROC 等指标进行评估. 衡量标准的选择取决于推荐系统的具体目标和特点. 一些可以解决商品推荐任务的图对比
学习算法包括 RGCL [48] 、AdaGCL [49] 、KGCL [50] 和 HGCL [61] 等.
4.4 异常检测任务
异常检测, 也称为异常值检测, 专注于识别数据集中不符合预期行为的罕见和异常模式或实例. 异常值通常代
表与大多数数据显著不同的数据点, 它们可以指示错误、欺诈或其他有趣的事件. 异常检测的主要目标是自动找
到数据集中偏离规范的数据点或模式. 这可能包括识别异常值、异常情况或可能需要进一步调查的异常事件. 目
前有各种指标可以评估异常检测模型的有效性, 包括精确率、召回率、F1 分数、AUC-ROC 和 AUC-PR. 指标的
选择取决于具体问题以及假阳性和假阴性之间的平衡. 一些可以解决异常检测任务的图对比学习算法包括
GCCAD [62] 、SL-GAD [63] 和 ANEMONE [64] 等.
5 总结和展望

本文对图对比学习方法进行了梳理分析: 首先, 回顾了图对比学习的背景知识、相关概念与定义; 其次, 对现
有的图对比学习算法按照不同阶段的设计进行了详细分类, 包括: 基于不同图数据增强策略分类的算法、基于不
同图神经网络编码器结构分类的算法以及基于不同对比损失目标分类的算法; 接着, 提出了 3 种新的图对比学习
算法设计思路; 最后, 介绍了图对比学习算法适用的具体任务. 本节分析当前图对比学习研究面临的挑战, 并尝试