El aprendizaje auto-supervisado es un nuevo método de aprendizaje automático que no depende de datos etiquetados manualmente, y aprende a partir de datos no etiquetados ricos por sí mismo al diseñar tareas del agente utilizando los datos de entrada como supervisión para obtener una representación más generalizada para su aplicación en tareas posteriores. Sin embargo, el aprendizaje auto-supervisado actual sufre del problema de depender de la selección y cantidad de muestras negativas y del fenómeno de sesgo de muestra después de la ampliación de datos de grafo. En este documento, investigamos los problemas mencionados y proponemos una solución correspondiente, proponiendo un algoritmo de aprendizaje de contraste de grafo sin muestras negativas. El modelo utiliza esbozos de matriz en el espacio implícito para la ampliación de características para reducir el sesgo de muestra y entrena de forma iterativa la matriz de correlación mutua de dos puntos de vista al acercarse a la distancia de la matriz constante como función objetivo. Este método no requiere técnicas como muestras negativas, detención de gradientes y actualización de momento para evitar el colapso del modelo auto-supervisado. Este método se compara con 10 algoritmos de aprendizaje de representación de grafo en cuatro conjuntos de datos para tareas de clasificación de nodos, y los resultados experimentales muestran que el algoritmo propuesto en este documento logra buenos resultados.