本文提出了GRAPHEDM方法，结合网络嵌入、图正则化神经网络和图神经网络，以提升图表征学习的通用性和性能。分析了大图模型的挑战与机遇，探讨了异质图学习的现状与未来方向，并提出了UniGraph框架以增强图模型的泛化能力，开发了通用图基础模型，显著提升了零样本图学习任务的表现。

本文综述图对比学习（GCL）进展，涵盖光谱扩增与拓扑扩充、GCL-GE泛化指标与InfoAdv框架、跨视图图一致性学习CGCL、信息瓶颈框架InfoGCL及通用框架GraphCL，并指出正样本与数据增强作用有限，推动自监督图表征学习发展。