近年、ノード表現学習としてグラフ対照学習手法が注目されている。ノードレベルのグラフ対照学習では、異なる変換を加え水増しした二つのグラフについてグラフ間の同一ノードを正例、それ以外の全てのノードの組み合わせを負例として損失を計算する。一方で、グラフは似た属性をもつノードが周辺に集まりやすいホモフィリー性等の性質を持っている。既存の対照損失ではノードの周辺構造に寄らず正例や負例を生成している為、それらグラフの性質を活用出来ていない。本研究では、既存の対照損失に加え、ノードの周辺構造を考慮した二種類の損失を導入する。1) エッジ再構成損失。あるノードとその一次隣接ノードの個々の組み合わせを正例とする。2) 平均エッジ再構成損失。あるノードとその一次隣接ノードの平均値を正例とする。エッジ再構成損失は隣接する個々のノード同士の表現を近付けるように学習され、平均エッジ再構成損失は同じ組み合わせの隣接ノードを持つノード同士の表現を近付けるように学習される。引用関係や併売関係等の様々な性質を持つグラフデータでの実験において、それぞれの損失を加えた手法が既存手法と比較し高い性能を示した。
