计算机应用研究

作者：刘俊龙,董继洲,王祎丹,

单位：河北大学数学与信息科学学院河北机器学习与计算智能重点实验室,河北保定071002；

关键词：图对比学习,节点分类,图神经网络,邻居对比损失,

基金：河北省自然科学基金青年基金资助项目(A2024201031)；河北省自然科学基金资助项目(H2024201062)；；

随着图对比学习方法在节点分类中的广泛应用，有效缓解了对标签信息的依赖。然而，现有的图对比学习方法在异配图中容易聚合大量异类节点信息，并且图神经网络（graph neural network，GNN）在聚合邻居特征的过程与对比损失之间存在潜在的冲突问题。为缓解该问题，对异配图中节点分类性能下降的原因及图对比学习冲突来源进行了理论分析，提出了一种基于多视图邻居对比学习（multi-view neighbor contrastive learning，MVNCL）的节点分类方法。具体而言，首先引入结构重建的增强策略，在考虑节点间相似性的基础上，结合类别不确定性以更有效地区分硬负样本，从而得到一个连接的节点更倾向于属于相同类别的增强视图，使节点特征能够有效聚合；其次，通过设计原始视图和增强视图邻居对比损失，实现无结构视图与增强视图、原始视图之间的对比，有效缓解了图对比学习中特征聚合与对比目标之间的冲突。通过在五个数据集上开展节点分类实验，结果表明MVNCL方法在同配性较高与异配性较高的数据集中均取得了优于现有方法的性能表现。

来源：2026年第1期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第1期