Inspirés par le succès de l’apprentissage contrastif sur les graphes, les chercheurs ont commencé à explorer les avantages de cette approche appliquée aux hypergraphes. Toutefois, ces travaux présentent les limites suivantes dans la modélisation des relations d’ordre supérieur sur des données non étiquetées : (i) ils se concentrent principalement sur la maximisation de l’accord entre les embeddings individuels des nœuds, tout en négligeant la capture des comportements collectifs au niveau des groupes au sein des hypergraphes ; (ii) la plupart d’entre eux ignorent l’importance de l’indice de température dans la discrimination des paires contrastives lors de l’optimisation. Pour surmonter ces limitations, nous proposons un nouveau cadre d’apprentissage contrastif sur les hypergraphes à deux niveaux avec température adaptative, appelé HyGCL-AdT, visant à renforcer l’apprentissage contrastif sur les hypergraphes. Plus précisément, contrairement à la majorité des travaux qui se limitent à maximiser l’accord entre les embeddings des nœuds au sein des hypergraphes, nous introduisons un mécanisme contrastif à deux niveaux, qui permet non seulement de capturer les comportements individuels des nœuds dans un contexte local, mais aussi de modéliser les comportements collectifs au niveau des groupes au sein des hyperarêtes, sous l’angle des communautés. Par ailleurs, nous avons conçu une optimisation contrastive améliorée par une température adaptative, afin d’améliorer la capacité de discrimination entre les paires contrastives. Des expérimentations empiriques menées sur sept hypergraphes standards démontrent que HyGCL-AdT atteint des performances excellentes par rapport aux modèles de référence les plus avancés. Le code source est disponible à l’adresse suivante : https://github.com/graphprojects/HyGCL-AdT.