在如今的人工智能领域，图数据无处不在！从学术论文的引用网络，到电商平台的商品共购关系，再到科研合作的学者网络。但如何在没有大量标签的情况下，让机器读懂这些复杂网络的"隐藏逻辑"？
图源：摄图网
近期，李春英教授团队联合复旦大学、拉筹伯大学等机构的研究团队，在图对比学习领域取得重要进展。相关成果以“MHGCL: Combining Motif and Homogeneity in graph contrastive learning”为题，发表在期刊《World Wide Web》（2025年JCRQ2，IF3.4）上。该研究创新性地将图的高阶拓扑特征与同质性原理相结合，提出了一种名为MHGCL的新方法，有效解决了现有图对比学习框架中存在的不足，填补了高阶结构与同质性整合方面的研究空白。
图源：期刊官网截图
在图数据的分析与处理中，对比学习作为一种无需大量标签的自监督学习方法，已成为图聚类等任务的研究热点。然而，现有方法在构建正负样本对时，往往未能有效整合图结构的高阶拓扑特征与同质性原理，导致正负样本分配失衡，影响模型对小众类别和边界节点的识别能力。
图源：论文截图
MHGCL方法通过三大创新点实现了性能突破：
一是motif感知的高阶特征挖掘。该方法聚焦于网络中频繁出现的三角形motif（无向图网络的关键子结构），构建motif邻接矩阵，进而将低阶结构信息与高阶结构信息融合，形成重加权邻接矩阵，让模型能捕捉到更丰富的节点关联信息。
图源：论文内容截图
二是同质性的直接利用。不同于传统硬聚类方法，MHGCL结合k-means和高斯混合模型（GMM）进行软聚类，允许节点以不同概率属于多个簇。通过计算后验概率、先验概率得到聚类分配矩阵，进而得出节点对的显著性矩阵，有效区分真实正负样本，减少边界节点的误分类，增强对复杂图数据中噪声连接的检测鲁棒性。
图源：论文内容截图
三是优化的图对比学习策略。设计非均匀概率模型指导图增强，降低重要节点和边的丢弃概率，使增强视图保留更多关键拓扑信息。同时，结合显著性矩阵计算对比损失，并与motif同质性损失结合形成最终损失函数，优化模型参数。
图源：论文内容截图
对比实验结果显示，在 PubMed、CiteSeer、Amazon-photo 等六个公开数据集上，MHGCL在节点分类和聚类任务中均显著优于现有方法。以节点分类为例，在PubMed数据集上准确率达81.6%，超过一些常见的GCL方法；在节点聚类中，Amazon-photo数据集的NMI指标和ARI指标分别达到0.663 和0.557，表现良好。
此项研究不仅为图对比学习提供了新的思路与方法，其可集成到现有节点级GCL框架的特性，也为提升节点级任务的特征表示质量奠定了基础，对推动图数据挖掘与分析技术发展具有重要意义。
艾思科蓝SCI论文发表无忧服务 ✅稿件出版评估、目标期刊筛选与分析 ✅编辑评审报告 ✅期刊专家快速预审 ✅稿件权威查重、标准语言校对 ✅协助投稿信、Word格式论文排版及投稿支持 ✅稿件状态跟进、同行回复信审查 ✅拒稿咨询、原因分析 ✅返修支持、质量把关 ✅出版校对 了解服务详情
还可获得限时“0元初步评估匹配”服务
👇👇👇
转载本文请联系原作者获取授权，同时请注明本文来自艾思科蓝AiScholar科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3462448-1494243.html?mobile=1
收藏
