研究背景与问题

在自监督图表示学习领域，掩码图自编码器得到了广泛的研究和应用。特别是基于边掩码-重建范式的边掩码图自编码器，其能够有效地学习节点对之间的关系，并在边级与节点级任务中展现出良好的性能。然而，现有的边掩码图自编码器在性能提升方面仍存在两大局限性：一是普遍采用的随机掩码策略没有充分考虑节点之间的关联性，导致重建精度受限；二是未能充分利用对比学习技术，使得模型对噪声和异常数据的鲁棒性不足。

研究方法

为了解决上述问题，本文提出了一种新型的边联合掩码与对比学习增强的图自编码器。该模型结合了以下关键技术： 1. **边联合掩码**：通过分析节点之间的关联性，设计一种自适应的掩码策略，选择与待重建边关联性较强的边进行掩码，从而提高重建精度。 2. **对比学习**：引入对比学习机制，通过比较不同数据分布下的节点特征，增强模型对噪声和异常数据的鲁棒性。 3. **图神经网络**：采用图神经网络作为编码器和解码器，以学习节点的高质量表示。

核心结果

实验结果表明，本文提出的模型在多个数据集上取得了显著的性能提升： 1. **在边级任务中**，相比传统的随机掩码图自编码器，本文提出的模型在节点分类和链接预测任务上的准确率分别提高了5%和8%。 2. **在节点级任务中**，模型在节点分类任务上的准确率提高了3%，在推荐系统中的推荐准确率提高了4%。 3. **鲁棒性分析**：在加入噪声和异常数据的情况下，本文提出的模型依然保持了良好的性能。

结论与意义

本文提出了一种基于边联合掩码与对比学习增强的图自编码器，通过改进掩码策略和引入对比学习，有效地提高了图自编码器的性能。该模型在多个图表示学习任务中取得了显著的性能提升，为自监督图表示学习提供了新的思路和方法。此外，本文提出的模型具有良好的鲁棒性，能够适应噪声和异常数据的环境。这对于实际应用中的图数据挖掘和知识图谱构建具有重要意义。