随着对比学习（Contrastive Learning）在 CV、NLP 等领域大放异彩，其研究热度近年来也逐步走高。在图学习领域，由于图（Graph）数据也存在缺少标签或难以标注的问题，自 2020 年来，研究者们也着力于将对比学习技术应用于图表示学习任务上，取得了十分不错的效果，这一系列算法研究称为图对比学习（Graph Contrastive Learning）。由于图是一种离散的数据结构，且一些常见的图学习任务中，数据之间往往存在紧密的关联（如链接预测）。如何针对这些特性设计图对比学习算法、对比学习又是如何更好地帮助学习图表示、节点表示的，这些问题仍在积极地探索中。

本文将主要基于 2020-2021 年已发表的顶会论文（ICML、ICLR、NeurIPS、KDD、WWW、IJCAI），介绍图对比学习算法的一般流程，并总结当今图对比学习的若干研究趋势。希望本文能帮助研究者们快速了解对图对比学习相关研究进展，并欢迎大家在评论区讨论及指出文章的疏漏错误等。章节 1-4 主要概述图对比学习 2020 年的工作，而对于熟悉 GraphCL 等基础的图对比学习算法的读者，可以直接跳到章节 5 阅读 2021 年的新研究进展总结。

内容中包含的图片若涉及版权问题，请及时与我们联系删除