图表示学习常需大量标注数据，而自监督学习提供了新路径。对比学习在 CV 与 NLP 中表现优异，将其迁移至图数据成为关键研究方向。从方法论角度切入，解析对比学习的核心范式与优化目标，结合图结构特性阐述其原理与应用价值，为理解图对比学习奠定基础。
传统图神经网络多依赖（半）监督学习，这意味着充足的标签数据是前提。近年来，NLP 与 CV 领域的自监督学习兴起，改变了这一局面。计算机视觉领域便利用实例判别构建代理任务，让对比学习成为主流，并在许多表示学习任务中取得了与有监督任务相当的性能。
于是，如何将图像对比学习有效迁移到图结构数据，成了研究热点。在此背景下，诞生了许多适用于图的对比学习方法。
本系列将从方法论视角出发，围绕 What、How、Why 三个维度，深入探讨对比学习中的范式与优化目标，并结合图数据特性展开讨论。
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
随机生成西班牙地址（支持马德里、加泰罗尼亚、安达卢西亚、瓦伦西亚筛选），支持数量快捷选择、显示全部与下载。 在线工具，随机西班牙地址生成器在线工具，online
基于开源反向 Alpha 混合算法去除 Gemini/Nano Banana 图片水印，支持批量处理与下载。 在线工具，Gemini 图片去水印在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
