基于自监督学习的图表示学习研究综述.docVIP

基于自监督学习的图表示学习研究综述

图作为描述复杂系统关联关系的通用数据结构，广泛存在于社交网络、生物分子网络、推荐系统、交通路网等诸多领域。图表示学习的核心目标是将图中的节点、边甚至整个子图编码为低维稠密向量，同时保留图的拓扑结构、属性信息与语义特征，从而为下游的节点分类、链路预测、聚类、图分类等任务提供高效的特征输入。早期图表示学习方法多依赖人工设计特征或半监督训练范式，面临标注数据稀缺、泛化能力不足、分布外鲁棒性差等瓶颈。自监督学习通过设计pretext任务从无标注数据中挖掘监督信号，为突破上述限制提供了可行路径，近年来已成为图表示学习领域的研究热点。

自监督图表示学习的核心框架

自监督图表示学习的整体流程可分为数据预处理、pretext任务设计、编码器训练与下游任务微调四个阶段。数据预处理阶段主要完成图结构清洗、属性特征归一化、负样本采样等操作，部分方法还会通过图增广技术生成多个视图的输入数据。编码器通常采用图神经网络（GNN）及其变体，如图卷积网络（GCN）、图注意力网络（GAT）、图SAGE等，负责将节点或子图的结构与属性信息映射为嵌入向量。pretext任务是自监督学习的核心，通过构造不需要人工标注的预测任务，让模型在求解任务的过程中学习到数据的本质特征。训练完成后，编码器的参数可直接迁移到下游任务，或使用少量标注数据进行微调。

根据pretext任务的