Introduction

和上一篇文章很类似。文章认为目前的网络表示学习工作都是针对特性任务，且要在不同的数据集上分别训练模型，无法实现不同数据集上的迁移工作。因此，文章提出了GCC算法，利用图对比学习来进行图神经网络的预训练，用这种方法学习得到的对图和节点的编码器，可以直接应用到未训练数据集上，只需要进行简单微调。

（1）如何定义图中的子图结构？ 给出一个节点，规定最大长度，就可以得到以该节点为中心的EGO网络。在该网路中进行随机游走，就能够得到关于该节点的子图结构。 （2）如何定义子图结构的相似性？ 文章认为属于同一EGO网络的即为相似的子图结构，不同网络则不相似。此处应当注意的是，在进行随机游走后，要对游走序列中的节点重新编号，这样是为了避免在比较子图结构时，仅仅简单地比较了节点的原始编号来判断相似性。 （3）如何定义编码器？ 能够将子图结构变为低维向量，并且能够对相似的结构生成相似嵌入，不相似结构生成不相似嵌入，就是合适的编码器。

Model

图中graph_q为源节点，则分子计算的就是graph_q和graph_0的相似性，它们是属于同一结构的。而在分母中，除了计算属于同一结构的graph_0，属于不同结构的graph_1和graph_2也要和graph_q进行计算并将最终结果加和。

左侧的红色节点为输入节点。以某一节点进行r层的广度搜索所生成的图即为r-ego network。在r-ego network的限制下，从输入节点做RWR（Random Walk with Restart），可以生成一系列的子图，这些子图可以作为正例。从其他节点在r-ego network做RWR，生成的一系列子图则可以当作是负例。

GCC：图上的Contrastive Coding | 作者带你读论文 （KDD 2020）：链接