Bài báo này đề xuất một khuôn khổ dự đoán nhúng chung mới (JPEB-GSSL) để giải quyết tình trạng kém hiệu quả về mặt tính toán, sự phụ thuộc vào mục tiêu tương phản và sự sụp đổ biểu diễn trong học tự giám sát đồ thị (SSL). Chúng tôi khắc phục những hạn chế của các phương pháp hiện có—tái tạo đặc trưng, lấy mẫu giọng nói và sự phụ thuộc vào bộ giải mã phức tạp—và trình bày một kiến trúc dự đoán nhúng chung không tương phản, bất biến theo khung nhìn, bảo toàn thông tin ngữ nghĩa và cấu trúc mà không cần mục tiêu tương phản hoặc lấy mẫu giọng nói. Hơn nữa, chúng tôi giới thiệu một thuật ngữ mục tiêu ngữ nghĩa tích hợp các nhãn giả được suy ra bằng Mô hình Hỗn hợp Gauss (GMM) để đánh giá sự đóng góp của các đặc trưng tiềm ẩn, do đó tăng cường khả năng phân biệt nút. Bằng cách tận dụng các mối quan hệ ngữ cảnh đơn và đa mục tiêu giữa các đồ thị con, chúng tôi vượt trội hơn các phương pháp SSL đồ thị hiện đại trên nhiều chuẩn mực khác nhau. Điều này cung cấp một mô hình hiệu quả về mặt tính toán và chống sụp đổ để kết hợp các đặc trưng đồ thị không gian và ngữ nghĩa.
