在图表征学习中，提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架，采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建，并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习，以获得更丰富和更具层次感的表示。通过实验，HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现，并且通过可视化显示，HCL 成功捕捉到了图的有意义特征。

Oct, 2022

跨异构图少样本学习中，提出了一种新模型 CGFL，利用 MHGN 和得分模块来有效地捕捉异构信息、测量标记样本的信息量并确定每个源异构图的可转移性，从而在少样本数据中传递广义知识以预测新类别。通过对四个真实世界数据集的广泛实验，证明了 CGFL 相对于现有方法的卓越性能。

Aug, 2023

通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

Apr, 2024

本文研究如何利用对比学习增强异构图神经网络的自我监督学习，提出了一种名为 HeCo 的新型协同对比学习机制，该机制使用交叉视图对比学习方法，学习节点嵌入以捕捉局部和高阶结构，并提出两种方法来生成更难的负样本以提高性能。最终获得包含不变因素和视图特定因素的高级节点嵌入。

Apr, 2023

通过引入知识蒸馏，我们提出了一种新颖的层次化拓扑同构专家嵌入图对比学习方法，用于增强 GCL 模型学习层次化拓扑同构专业知识，包括图层和子图层。与传统的 GCL 方法相比，我们的方法在贝叶斯分类错误上获得更紧的上界，并在真实世界基准测试中表现出了超越候选 GCL 方法的性能优势。

Dec, 2023

本篇论文提出了在推荐系统中使用超级元路径和图形对比学习的框架来解决多行为信息下的用户购买预测问题，并在广泛的比较实验中，显著优于所有基线方法。

Sep, 2021

本文介绍了一种光谱增强图对比学习模型（SHCL），首次在异构图神经网络中引入了一种光谱增强算法，通过异构图本身学习了一种自适应拓扑增强方案，扰乱了异构图的光谱维度的结构信息，从而最终提高了模型的学习效果。实验结果表明，该模型在多个真实数据集上具有显著优势。

Jun, 2024

本研究提出了一种多重异构图卷积网络（Multiplex Heterogeneous Graph Convolutional Network，MHGCN），可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互，并有效地将多关系结构信号和属性语义集成到有监督和半监督学习范式中的学习节点嵌入中，实验证明其在各种网络分析任务中显著优于现有的嵌入基线。

Aug, 2022

本文研究了自监督的异构图神经网络，并提出了一种名为 HeCo 的新型协同对比学习机制，用于异构信息网络的节点嵌入学习，该方法利用两个视图提取两种嵌入，确保两个视图之间相互监督，学习高级节点嵌入，并使用两种 HeCo 扩展生成更难的高质量负样本，提高了性能。

May, 2021

通过对子图取样，在不同尺度上生成全局和局部视图，并根据它们的语义关联构建多种对比关系，以提供更丰富的自监督信号，从而实现对细粒度语义信息的表征。在八个图分类现实世界数据集上进行的大量实验和参数分析充分证明了该方法的有效性。

Mar, 2024