基于对比学习的图表示学习研究综述

基于对比学习的图表示学习研究综述1引言图结构数据广泛存在于社交网络、生物信息学、知识图谱、推荐系统等诸多领域，如何高效学习图中节点和整个图的低维稠密表示，是支撑下游分类、聚类、链接预测等任务的核心问题。传统的图表示学习方法如DeepWalk、Node2Vec等依赖随机游走构建上下文关系，容易受数据稀疏性影响，且难以充分利用无标注数据的信息。对比学习作为自监督学习的重要范式，通过构建正负样本对进行判别式训练，能够在无需大量标注的前提下学习到具有鲁棒性的特征表示，近年来与图表示学习深度融合，成为该领域的研究热点。2图对比学习的基础框架图对比学习的核心思路是让同一原始样本经过不同增强后的视图在特征空间中距离更近，不同样本的视图距离更远，其通用框架包含数据增强、编码器、损失函数三个核心模块。数据增强是图对比学习的前提，目的是在不改变样本核心语义的前提下生成多样化的视图。针对节点级任务，常用的增强方法包括特征掩码（随机掩盖部分节点的属性特征）、边扰动（随机删除或增加一定比例的边）、子图采样（从原图中截取包含目标节点的子图）；针对图级任务，还会使用节点丢弃（随机移除部分节点）、属性扩散（通过图卷积对节点属性进行平滑）等操作。不同的增强策略对最终性能影响显著，例如在分子图任务中，随机删除边可能会破坏分子的官能团结构，导致语义变化，因此研究者通常会结合领域知识设计针对性的增强方法，如仅对非关键化学键进行扰动，或基于化学规则生成分子的同分异构体作为正样本。编码器负责将不同视图的图数据映射到特征空间，主流的编码器以图神经网络（GNN）为基础，包括图卷积网络（GCN）、图注意力网络（GAT）、图SAGE等。部分工作为了提升编码效率，会采用多层感知机（MLP）作为轻量编码器，或结合Transformer架构处理长程依赖关系。编码器通常会共享参数，以保证不同视图的特征映射处于同一空间，降低训练难度。在编码器之后，通常会加入一个投影头（通常为2-3层MLP），将特征映射到对比损失计算的空间，已有研究证明投影头的存在能够有效提升最终学习到的特征质量，原因是其可以过滤掉与对比任务无关的噪声信息。损失函数是图对比学习的优化目标，最常用的是InfoNCE损失，其计算公式为：$$L=-\mathbb{E}\left[\log\frac{\exp(\text{sim}(z_i,z_i^+)/\tau)}{\sum_{j=1}^N\exp(\text{sim}(z_i,z_j)/\tau)}\right]$$其中$z_i$和$z_i^+$分别是原始样本和正样本的特征表示，$\text{sim}$为余弦相似度，$\tau$为温度系数，用于控制区分正负样本的难度。除InfoNCE外，还有部分工作采用Triplet损失、NT-Xent损失等，其核心思想均是最大化正样本对的相似度，最小化负样本对的相似度。温度系数的设置对模型性能影响较大，较小的$\tau$会让模型更关注难分负样本，容易导致过拟合；较大的$\tau$会让正负样本的区分度降低，损失难以收敛。现有研究通常将$\tau$设置在0.1到0.2之间，部分工作会引入自适应温度机制，根据训练阶段和数据分布动态调整$\tau$的取值。3图对比学习的典型范式根据对比样本对的构建方式不同，现有的图对比学习方法可以分为基于实例判别、基于语义匹配、基于跨视图对齐三大类。基于实例判别是图对比学习最早的范式，其核心假设是“同一个样本的不同视图是正样本对，不同样本的视图互为负样本对”。代表工作如SimCLR在图像领域取得成功后，研究者快速将其迁移到图领域，提出了GraphCL方法，该方法在多个图级分类任务上超越了有监督GNN的性能。但基于实例判别的范式存在一个固有缺陷：如果两个样本本身语义相似（如两个结构类似的分子图），该范式会错误地将其判定为负样本，导致特征空间中语义相似的样本距离较远。为了解决这个问题，部分工作引入了难负样本挖掘策略，在训练过程中优先选择与正样本语义相近的负样本进行优化，既提升了模型的判别能力，又避免了对语义相似样本的错误惩罚。还有研究提出对负样本进行加权，根据负样本与正样本的相似度动态调整其在损失中的权重，相似度越高的负样本权重越大，进一步提升了特征的区分度。基于语义匹配的范式则打破了“不同实例就是负样本”的限制，通过引入外部知识或挖掘图的内在语义结构来构建更合理的正负样本对。例如在知识图谱的对比学习中，研究者会将具有相同关系的三元组作为正样本，或利用本体知识中概念的上下位关系来匹配语义相似的节点；在社交网络中，将处于同一社区的节点互相作为正样本，而非仅依赖同一节点的不同视图。这类方法的优势在于学习到的特征更符合语义一致性，尤其适用于存在明显语义分层的图数据。典型工作如GraphCL-V2通过引入图的聚类结果，将同一聚类簇中的样本视为软正样本，在损失中加入聚类一致性约束，有效提升了节点分类的性能。还有部分工作结合对比学习和生成模型，利用生成模型生成与原始样本语义一致的正样本，进一步丰富了正样本的多样性。基于跨视图对齐的范式主要针对多模态图或异构图的表示学习，其核心是让不同模态或不同类型的节点在特征空间中实现语义对齐。例如在包含文本、图像属性的异构图中，将节点的文本属性视图和结构视图作为正样本对进行对比，让两种模态的特征能够相互对齐；在学术异构图中，将作者节点的特征与其发表的论文节点特征进行对比，学习到作者与论文之间的语义关联。跨视图对齐范式不仅能够提升单模态特征的质量，还能够学习到跨模态的语义关联，支撑跨模态检索、多模态分类等下游任务。最新的研究还将跨视图对齐扩展到动态图场景，将同一节点在不同时间片的视图作为正样本对，让模型学习到节点的演化规律，同时过滤掉时间维度的噪声信息，提升动态图表示的稳定性。4图对比学习的应用场景图对比学习的无监督特性使其在标注数据稀缺的场景中具有显著优势，目前已经在多个领域得到广泛应用。在生物信息学领域，分子图的表示学习是药物研发的核心任务，而标注的药物活性数据成本极高，图对比学习能够利用海量的无标注分子结构数据预训练模型，再通过少量标注数据微调即可得到性能优异的分子性质预测模型。例如谷歌提出的MolCLR方法，通过对分子图进行原子掩码、键删除等增强操作进行对比预训练，在多个药物毒性预测、溶解度预测任务上超越了传统的有监督方法。还有研究者将图对比学习用于蛋白质相互作用预测，利用蛋白质结构数据预训练模型，大幅降低了湿实验的验证成本。在单细胞测序数据分析中，图对比学习可以对细胞异构图进行表示学习，识别出罕见的细胞类型，为疾病诊断和治疗靶点发现提供支撑。在推荐系统领域，用户-物品交互图天然存在数据稀疏和冷启动问题，图对比学习能够利用无标注的交互数据学习用户和物品的表示，缓解稀疏性问题。例如SGL方法通过对用户-物品交互图进行边扰动和子图采样构建对比视图，有效提升了Top-K推荐的性能，尤其对于交互次数少的冷启动用户，推荐精度提升更为明显。最新的研究还将对比学习用于序列推荐，通过构建用户行为序列的不同视图进行对比，捕捉用户的长期和短期兴趣偏好，进一步提升了推荐的个性化程度。在跨域推荐场景中，图对比学习可以实现不同域用户和物品特征的对齐，解决跨域数据分布差异的问题，提升跨域推荐的性能。在知识图谱领域，图对比学习能够提升知识图谱嵌入的质量，尤其对于长尾实体和关系的表示效果提升显著。传统的知识图谱嵌入方法依赖三元组的结构信息，对于出现次数较少的长尾实体，难以学习到准确的表示。而对比学习通过构建实体的不同视图（如实体的文本描述视图、邻域子图视图），能够利用额外的信息增强长尾实体的表示。还有研究者将对比学习用于知识图谱补全任务，通过正负样本对比的方式，提升模型对缺失三元组的判别能力，在多个标准数据集上取得了SOTA性能。在多语言知识图谱对齐任务中，图对比学习可以实现不同语言实体的特征对齐，无需大量的对齐标注数据即可取得较好的对齐效果。5图对比学习面临的挑战与未来方向尽管图对比学习已经取得了显著进展，但目前仍面临诸多挑战。首先是数据增强的通用性问题，现有的增强策略大多依赖人工设计，需要结合具体领域知识调整，缺乏一种能够适配所有类型图数据的通用增强方法，如何自动学习适合特定图数据的增强策略是未来的重要研究方向。其次是对比偏差问题，现有方法在构建正负样本时容易引入偏差，例如负样本中存在大量与正样本语义相似的样本，导致模型学习到错误的判别边界，如何构建更合理的正负样本对、减少对比偏差仍需深入研究。此外，大规模图的对比学习效率问题也亟待解决，当图的节点规模达到亿级时，传统的对比损失需要遍历大量负样本，计算成本极高，如何设计高效的负样本采样策略或无需负样本的对比损失函数，是支撑图对比学习落地到大规模工业场景的关键。未来的研究方向可以从几个方面展开：一是结合大语言模型的图对比学习，利用大语言模型的强大语义理解能力，为图数据生成更合理的增强视图和语义标签，提升对比学习的语义一致性；二是动态图和时序图的对比学习，现有方法大多针对静态图，如何设计适配动态演化的对比框架