摘要
受图对比学习成功应用的启发，研究人员开始探索在超图上应用对比学习的潜力。然而，现有方法在建模无标签数据中的高阶关系时仍存在以下局限性：（i）主要关注提升单个节点嵌入之间的一致性，而忽视了对超图中节点群体级集体行为的捕捉；（ii）多数方法在对比优化过程中忽略了温度系数在区分正负对比对中的关键作用。为解决上述问题，本文提出一种新颖的双层超图对比学习框架——自适应温度超图对比学习（HyGCL-AdT），以增强超图上的对比学习性能。具体而言，与大多数仅关注超图中节点嵌入一致性的方法不同，我们设计了一种双层对比机制：该机制不仅能够捕捉节点在局部上下文中的个体行为，还能从社区视角建模超边内节点的群体级协同行为。此外，我们引入一种自适应温度增强的对比优化策略，以提升对比样本对之间的判别能力。在七个基准超图数据集上的实验证明，HyGCL-AdT 在性能上显著优于当前最先进的基线模型。项目源代码已公开，地址为：https://github.com/graphprojects/HyGCL-AdT。