图对比学习研究进展.pdfVIP

小型微型计算机系统2025年1月第1期

DOI:10.20009/ki.21-1106/TP.2023-0315

JournalofChineseComputerSystemsVol.46No.12025

图对比学习研究进展

吴国栋，吴贞畅，王雪妮，胡全兴，秦辉

（安徽农业大学信息与人工智能学院，合肥230036）

E-mail:8978850@

摘要：图对比学习可以提取无标注数据自身信息作为自监督信号指导模型训练，并帮助缓解图神经网络对标签数据的依赖

及结构不公平等问题，已成为图神经网络领域的研究热点，本文从数据增广方式、样本对构造、对比学习粒度3个方面对现有图

对比学习研究进行了深入探讨，分析了已有不同图对比学习研究方法各自的优点与不足在此基础上，指出了现有图对比学习

研究存在的问题，并提出了自适应性图对比学习、上下文图对比学习、动态图对比学习、超图对比学习、因果推断图对比学习、无

负样本图对比学习及基于大语言模型的图对比学习等未来图对比学习的研究方向。

关键词：图对比学习；研究进展；数据增广；样本对；对比粒度

中图分类号：TP391文献标识码：A文章编号：1000-1220(2025)01-0044-11

GraphContrastiveLearningResearchProgress

WUGuodong,WUZhenchang,WANGXueni,HUQuanxing,QINHui

(SchoolofInformationandArtificalIntelligence,AnhuiAgriculturalUniversity,Hefei230036,China)

Abstract:GraphContrastiveLearning(GCL)canextracttheself-informationofunlabeleddataasaself-supervisedsignaltoguide

modeltraining,andhelpalleviatethedependenceonlabeleddataandstructuralunfairnessofGraphNeuralNetwork.Ithasbecomea

researchhotspotinthefieldofGraphNeuralNetwork.ThispaperdelvesintotheexistingresearchonGCLfromthreeaspects:data

augmentationmethods,samplepairconstruction,andcontrastivelearninggranularity.Itanalyzestheadvantagesanddisadvantagesof

differentexistingGCLmethods.Onthisbasis,theexistingproblemsinGCLresearchwerepointedout,andfutureresearchdirections

forGCLwereproposed,includingAdaptiveGCL,ContextGCL,DynamicGCL,HypergraphContrastiveLearning,CausalInference

GCL,Non-negativesampleGCL,andGCLbasedonLargeLanguageModels.

Keywords:graphcontrastivelearning;researchprogress;dataaugmentation;samplepairs;compasisongranularity

0引言年来图对比学习被广泛应用并取得了诸多成果，如在图神经