近年、薬物密輸の高額な利益を背景に、この犯罪は現代技術と併せて進化を遂げている。ソーシャルメディアは、広く利用されるオンラインプラットフォームの一つとして、違法薬物取引コミュニティが薬物の宣伝および取引を行うための直接消費者向け仲介者として機能している。こうしたグループ単位での薬物密輸活動は、公共の健康と安全に重大な脅威をもたらしており、緊急の対策が求められている。しかし、現行の対策手法は依然として限界を抱えており、個々の役割を単一視点から分析するにとどまり、グループ間の関係性を無視している上、モデル学習に十分なラベル付きサンプルを必要としているという問題がある。こうした課題に応えるべく、本研究では、ユーザー間の高次関係をハイパーグラフでモデル化し、薬物密輸コミュニティを検出するための新規ハイパーグラフ対照学習フレームワーク「HyGCL-DC」を提案する。まず、オンラインユーザー節点と4種類のハイパーリンクを含むハイパーグラフ「Twitter-HyDrug」を構築し、ユーザー間の豊かなグループ関係を表現する。次に、薬物密輸ハイパーグラフにおける節点とハイパーリンク間の複雑な関係をモデル化するために、ハイパーグラフニューラルネットワークを活用する。さらに、構造的視点と属性的視点からのオーギュメンテーションを統合したハイパーグラフ自己教師付き対照モジュールを設計し、ラベルなしデータに対するハイパーグラフ表現学習の性能を向上させる。最後に、自己教師付き対照モジュールと教師付きモジュールを統合したエンドツーエンドフレームワークを構築し、オンライン薬物密輸コミュニティの分類を実現する。本研究では、オンライン薬物密輸問題を包括的に検討し、提案モデルの有効性を検証するため、Twitter-HyDrugデータセットおよび3つの引用ベンチマークハイパーグラフデータセットを用いて広範な実験を実施した。その結果、本モデルの優れた性能が実証された。本研究で新たに構築したデータセットおよびソースコードは、https://github.com/GraphResearcher/HyGCL-DC にて公開されている。