1.一种基于三元互信息图对比学习的网络节点分类算法，其特征在于，包括以下步骤：S1、确定目标图数据集

S2、通过共享权重的GNN编码器f(·，·)，将视图S3、通过共享权重的映射头h(·)，将特征表示HS4、通过共享权重的解码器d(·)解码指定特征空间表示ZS5、计算指定特征空间表示Z

S6、根据对比损失

S7、判断是否完成训练迭代次数，若是，则跳转至步骤S8，否则返回至步骤S2；

S8、将目标图数据集

S9、对得到的结果表示H进行分类。

2.根据权利要求1所述基于三元互信息图对比学习的网络节点分类算法，其特征在于，步骤S1中，选择了边丢弃和节点特征掩盖两种增强方式，分别生成视图在边丢弃增强过程中，生成一个掩码矩阵MaskA＝A⊙Mask

其中⊙为哈达玛积，邻接矩阵A∈{0，1}在节点特征掩盖增强过程中，从伯努利分布X＝[x

其中

3.根据权利要求2所述基于三元互信息图对比学习的网络节点分类算法，其特征在于，边丢弃的概率p

4.根据权利要求2所述基于三元互信息图对比学习的网络节点分类算法，其特征在于，步骤S2中，GNN编码器f(·，·)的神经网络传播层数L

5.根据权利要求4所述基于三元互信息图对比学习的网络节点分类算法，其特征在于，步骤S3中，映射头h(·)的神经网络传播层数L

6.根据权利要求5所述基于三元互信息图对比学习的网络节点分类算法，其特征在于，步骤S4中，解码器d(·)的神经网络传播层数L

7.根据权利要求6所述基于三元互信息图对比学习的网络节点分类算法，其特征在于，步骤S5中，采用的损失函数定义为其中，U，V属于不同的样本，u∈U，v∈V，σ(·，·)为余弦相似性，τ为超参数温度系数，控制模型对负样本的区分度，τ∈(0.1，1)；

对比损失

对比损失

8.根据权利要求7所述基于三元互信息图对比学习的网络节点分类算法，其特征在于，步骤S6中，整体损失l的计算公式为其中，λ∈(0，1)，控制两部分损失线性组合比例。

9.根据权利要求8所述基于三元互信息图对比学习的网络节点分类算法，其特征在于，步骤S9中，采用线性分类器对结果表示H进行分类。