El aprendizaje contrastivo de grafos (GCL) ha sido objeto de más atención y se ha aplicado ampliamente a numerosas tareas de aprendizaje de grafos, como la clasificación de nodos y la predicción de enlaces. Aunque ha logrado un gran éxito e incluso ha tenido un mejor rendimiento que los métodos supervisados en algunas tareas, la mayoría de ellos dependen de la comparación a nivel de nodo, ignorando la rica información semántica contenida en la topología del grafo, especialmente para las redes sociales. Sin embargo, una comparación de nivel superior requiere la construcción y codificación de subgrafos, lo cual sigue sin resolverse. Para abordar este problema, proponemos un método de aprendizaje contrastivo de grafos consciente de la estructura adaptativa de subgrafos (PASCAL) en este trabajo, que es un método de GCL a nivel de subgrafo. En PASCAL, construimos subgrafos fusionando todos los motivos que contienen el nodo objetivo. Luego los codificamos en base a la distribución del número de motivos para capturar la rica información oculta en los subgrafos. Al incorporar información de motivos, PASCAL puede capturar información semántica más rica oculta en estructuras locales en comparación con otros métodos de GCL. Experimentos extensos en seis conjuntos de datos de referencia muestran que PASCAL supera a los métodos de aprendizaje contrastivo de grafos y métodos supervisados de última generación en la mayoría de los casos.