1、综述

• 数据挖掘领域大师俞士纶团队新作：最新图自监督学习综述
• 图自监督学习综述：Graph Self-Supervised Learning A Survey
• 图自监督学习（Graph Self-supervised Learning）最新综述+Github代码汇总
• 图自监督学习在腾讯Angel Graph中的实践
• [KDD’22] GraphMAE: 生成式图自监督学习超越对比学习
• 论文推荐：SIGIR’21 | 用于推荐的自监督图学习SGL
• WWW22 - 无监督图结构学习

前面两个综述是对论文Graph Self-Supervised Learning A Survey的翻译，该论文综述比较全面，重点讲解了生成式和对比式
全文链接：https://arxiv.org/pdf/2103.00111.pdf

2、对比学习基础

• 自监督学习助力内容风控效果提升
• 基于 Pretext Task 的自监督学习
• 张俊林：从对比学习视角，重新审视推荐系统的召回粗排模型

3、哪种图自监督效果好？

根据实际情况来决定实践的路径，一般来说实现复杂度如下：
生成式 -> 对比式
一般而言，对比式图自监督效果会比生成式好，但是在比赛和日常实践中，生成式效果也不错，且结构简单，所以建议冷启动时，从生成式入手，然后逐步增加复杂度到对比式；

可以参考的一篇生成式图自监督论文解读和代码如下：

• [KDD’22] GraphMAE:
  生成式图自监督学习超越对比学习

• [KDD’22] GraphMAE: 生成式图自监督学习超越对比学习

• KDD 2022 | GraphMAE：生成式图自监督学习超越对比学习，解读的比较详细和中肯

• https://github.com/THUDM/GraphMAE，代码