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、确定目标图数据集对目标图数据集进行两次数据增强，获得视图其中，为节点集，N为节点数，ε＝{e1，e2，…eM}为边集，M为边数；

S2、通过共享权重的GNN编码器f(·，·)，将视图编码得到下游任务需要的特征表示H1，H2；

S3、通过共享权重的映射头h(·)，将特征表示H1，H2的非线性变化映射到指定特征空间表示Z1，Z2；

S4、通过共享权重的解码器d(·)解码指定特征空间表示Z1，Z2，得到D1，D2；

S5、计算指定特征空间表示Z1，Z2之间的对比损失再分别计算D1，D2与原图节点特征矩阵X的对比损失F是特征维度；

S6、根据对比损失和对比损失计算整体损失l，通过最小化损失更新GNN编码器f(·，·)的模型参数，完成本轮训练迭代；

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、将目标图数据集输入到训练好的GNN编码器f(·，·)中，输出得到结果表示H；

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MaskE∈{0，1}N×N，在Aij＝1的情况下，从伯努利分布中采样，其它情况pE为边丢弃的概率，由此产生的邻接矩阵A计算为：A＝A ⊙MaskE

其中⊙为哈达玛积，邻接矩阵A∈{0，1}N×N，若(vi，vj)∈ε，则Aij＝1，否则Aij＝0；

在节点特征掩盖增强过程中，从伯努利分布中采样，生成掩盖向量m∈{0，1}F，pF为节点特征掩盖的概率，此时原图节点特征矩阵X为：X＝[x1 ⊙m；x2 ⊙m；…；xN ⊙m]T

其中是连接操作。

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pE∈(0.1，0.9)，节点特征掩盖的概率pF∈(0.1，0.9)。

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L1＝{1，2，3，4}。

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L2＝{1，2，3，4}。

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L3＝{1，2，3，4}。

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)；

对比损失的计算公式为

对比损失的计算公式为

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。