一种流形学习启发的轻量级图对比学习方法

本发明公开一种流形学习启发的轻量级图对比学习方法，包括如下步骤：S1、在近邻采样模块中，利用图拓扑结构得到每个节点的正负样本对集合，借鉴流形学习思想，计算得到正负样本对权重，S2、在特征编码模块中，采用GCN作为编码器，得到编码后图的节点特征，S3、将正负样本对权重传入图对比模块，进行对比损失训练，通过最小化损失函数，更新编码器参数；本发明通过基于图拓扑的k‑hop邻居正样本定义和流形学习引导的局部线性重构权重分配，避免了结构破坏并精准区分关键节点显著降低计算复杂度，通过加权对比损失实现无监督端到端训练，在保留图语义完整性的同时，提升了节点嵌入的判别性和模型的可扩展性，适用于大规模场景。