基于对比学习的图表示学习研究综述.docVIP

基于对比学习的图表示学习研究综述

1对比学习与图表示学习基础

对比学习的核心思想是通过构造正、负样本对，让模型在表征空间中拉近正样本距离、推远负样本距离，从而学习到数据的内在结构特征。该范式最早起源于计算机视觉领域的无监督表征学习任务，通过数据增强构造同一样本的不同视图作为正样本，不同样本作为负样本，无需标注即可训练出具备强泛化能力的特征提取器。而图结构数据天然具备复杂的拓扑关联与节点属性耦合特征，传统基于邻域聚合的图神经网络（GNN）在标注数据稀缺场景下往往面临过拟合、泛化性差等问题，对比学习的出现为无监督/自监督图表示学习提供了全新的解决思路。

图表示学习的目标是将图中的节点、边甚至整个图映射为低维稠密向量，同时保留图的拓扑结构、节点属性以及高阶语义信息。早期的图表示学习方法如DeepWalk、Node2Vec通过随机游走构造节点序列，借鉴自然语言处理中的词向量思想学习节点表征，但这类方法难以有效利用节点属性信息，且在大规模图上的计算成本较高。随着GNN的兴起，基于消息传递机制的图卷积网络（GCN）、图注意力网络（GAT）等方法实现了拓扑结构与节点属性的联合建模，但其训练高度依赖节点标注数据，在实际应用中，很多场景下标注成本极高，比如生物分子网络、社交网络、推荐系统等场景往往只有极少量标注样本，这极大限制了GNN的落地应用。对比学习与图表示学习的结合，正是为了破解标注数据依赖