Page 198 - 《软件学报》2026年第1期

刘子扬 等: 图对比学习方法综述 195

性地提出一些可能的解决思路, 最后对未来方向加以展望.
5.1 图对比学习方法面临的挑战和解决思路
基于第 3.4 节中对图对比学习方法优缺点的归纳总结, 我们认为图上设计对比学习的研究仍然面临以下挑战.
(1) 图对比学习算法在复杂度上的挑战: 不少图对比学习算法 (比如: 使用标准化温度交叉熵损失的算法和使
用杰森香农散度损失的算法) 采用了大量负样本对进行对比, 这导致了极大的算法复杂度开销. 最近几年新提出的
图对比学习算法摒弃了负样本上的对比, 取而代之的是计算互相关矩阵或使用在线编码器-目标编码器模式. 这样
的解决方案直接删除了负样本上的对比, 的确可以降低模型的复杂度. 但也会引发新的问题, 例如: 过于依赖平衡
系数、编码器设计过于复杂等. 因此, 当前的图对比学习算法有待进一步改进.
(2) 图对比学习算法在表征可解释性上的挑战: 在计算机视觉领域中, 对齐性和均匀性被验证是图像对比表征
应当具有的两个必要属性. 然而, 在图对比学习中, 尚未有研究人员对图对比表征的必要属性或可解释性进行深入
的分析与研究. 我们认为, 设计出高精度、高效率的图对比学习算法固然重要, 但有关节点对比表征或图对比表征
的解释性工作也十分有意义. 表征可解释性是当前的图对比学习研究亟需解决的问题. 通过借鉴计算机视觉领域
中的对齐性、均匀性或通过梯度计算分析节点表征的变化因素, 有助于图对比学习解释性工作的发展.
(3) 图对比学习算法在图数据挖掘上的挑战: 尽管许多图对比学习算法被验证是有效的, 但是它们本质上更像
是将计算机视觉中一些成熟的对比学习模型直接迁移应用到图数据上, 并没有充分考虑图数据特性. 我们认为图
数据上的很多特性 (比如: 邻居拓扑关系) 对于图对比学习算法都十分重要. 在构建正负样本对时, 仅仅通过“是否
为锚节点”作为判断依据并非一个绝对正确的解决思路. 那些和锚节点有链接关系的一跳邻居节点应当和锚节点
在表征空间上距离更近, 但是当前算法几乎没有考虑这一特点. 因此, 在设计图对比损失函数时考虑拓扑关系, 重
新构建合理的正负样本对, 是图对比学习研究需要进一步考虑的问题.
5.2 展 望
现有的图对比学习方法种类众多, 设计多样. 不同的图对比学习方法在算法复杂性、可解释性、适用性等方
面具有截然不同的优劣势. 未来的图对比学习研究应更多地考虑方法是否能兼顾算法高效训练、表征强可解释性、
融入图数据本质特性等. 此外, 应对异质图、时序图以及大规模图的对比学习算法还相对稀缺. 尤其是针对大规模
图数据, 这类数据在真实世界中普遍存在, 设计针对大规模图上的对比学习算法变得尤为重要. 此类算法在设计时
不仅需要考虑表征学习过程的合理性, 更会对对比算法的时空复杂度提出更高的要求. 借助节点采样式对比训练、
批量学习等技巧, 有助于改善图对比学习算法的复杂度.

References
[1] Chitra U, Musco C. Analyzing the impact of filter bubbles on social network polarization. In: Proc. of the 13th Int’l Conf. on Web Search
and Data Mining. Houston: ACM, 2020. 115–123. [doi: 10.1145/3336191.3371825]
[2] Jiang HL, Yu JG, Cheng XZ, Zhang C, Gong B, Yu HT. Structure-attribute-based social network deanonymization with spectral graph
partitioning. IEEE Trans. on Computational Social Systems, 2022, 9(3): 902–913. [doi: 10.1109/TCSS.2021.3082901]
[3] Ahmed W, Vidal-Alaball J, Downing J, Seguí FL. COVID-19 and the 5G conspiracy theory: Social network analysis of Twitter data.
Journal of Medical Internet Research, 2020, 22(5): e19458. [doi: 10.2196/19458]
[4] Venkatesan M, Prabhavathy P. Graph based unsupervised learning methods for edge and node anomaly detection in social network. In:
Proc. of the 1st IEEE Int’l Conf. on Energy, Systems and Information Processing (ICESIP). Chennai: IEEE, 2019. 1–5. [doi: 10.1109/
ICESIP46348.2019.8938364]
[5] Guo K, Hu YL, Sun YF, Qian SA, Gao JB, Yin BC. Hierarchical graph convolution network for traffic forecasting. In: Proc. of the 35th
AAAI Conf. on Artificial Intelligence. AAAI, 2021. 151–159. [doi: 10.1609/aaai.v35i1.16088]
[6] Zhang Q, Chang JL, Meng GF, Xiang SM, Pan CH. Spatio-temporal graph structure learning for traffic forecasting. In: Proc. of the 34th
AAAI Conf. on Artificial Intelligence. New York: AAAI, 2020. 1177–1185. [doi: 10.1609/aaai.v34i01.5470]
[7] Lv MQ, Hong ZX, Chen L, Chen TM, Zhu TT, Ji SL. Temporal multi-graph convolutional network for traffic flow prediction. IEEE
Trans. on Intelligent Transportation Systems, 2021, 22(6): 3337–3348. [doi: 10.1109/TITS.2020.2983763]
[8] Guo K, Hu YL, Qian Z, Sun YF, Gao JB, Yin BC. Dynamic graph convolution network for traffic forecasting based on latent network of