Page 238 - 《软件学报》2026年第2期

于朋健 等: 面向节点分类的多层异质图神经网络 717

similarity features. These matrices are incorporated into the model via graph neural aggregation to enhance the learning of higher-order
global semantic information across different node types. Finally, contrastive learning is employed to reconcile and fuse the distinct yet
complementary representations learned from both local and global views, yielding the final node embeddings. Extensive experiments
conducted on six real-world datasets demonstrate that the proposed MHGNN significantly outperforms state-of-the-art models across
various evaluation metrics for node classification.
Key words: graph representation learning; multiplex heterogeneous network; graph convolutional network (GCN); node classification;
contrastive learning

近年来, 图神经网络 (graph neural network, GNN) 受到了研究者的广泛关注, GNN 能够将复杂网络嵌入到低
维向量空间中, 同时保持节点在网络拓扑结构和内在属性上的临近性. 从链路预测 [1–3] 、节点分类 [4–6] 到推荐系统 [7–9] ,
基于 GNN 的图表示学习方法已成功应用于电子商务 [10,11] 、社交媒体平台 [12] 和广告 [13,14] 等诸多领域.
节点分类是图机器学习领域重要的下游任务之一, 目的是利用已标注节点学习网络语义信息, 生成节点特征
表示, 识别未标注节点的类别. 例如, 在引文网络中, 节点表示文献, 节点之间的连接表示文献引用关系, 通过学习
文献和引用关系, 生成文献的特征表示, 预测文献的研究主题. 图神经网络节点分类方法主要分为同质网络方法和
异质网络方法, 其中, 同质网络仅包含一种节点类型, 且节点间也仅存在一种类型的连接关系, 如引文网络中文献
间的引用关系、协作网络中学者间的合作关系和社交网络中用户间的关注关系等; 而异质网络包含多种类型的节
点和关系, 这些关系分别揭示了不同的语义信息. 例如, 在异质引文网络中, 除了文献间的引用关系外, 还包括学者
与文献间的写作关系、期刊与文献间的发表关系等.
虽然现有的基于图表征学习的节点分类方法已经取得了不错的效果, 但这些方法大多是同质网络表征学习方
法 [1,12,15–17] , 近期的一些研究普遍关注到了异质网络 [18] . 在对含有多种类型节点和多种类型边的异质网络进行表征
学习方法中, 元路径是一种被大量使用的工具, 基于元路径的方法可以有效地捕获各种类型的交互关系, 从而充分
利用异质网络中丰富的语义信息, 例如 metapath2vec [19] 、MAGNN [20] 和 HetGNN [21] 等. 尽管现有的基于异质图表征
学习的节点分类方法取得了不错的效果, 但这些工作通常只针对具有单一视图的异质网络. 真实世界中的网络往
往更加复杂, 在相同的两个节点之间也可能存在多种类型的交互关系, 并且节点还包含更为丰富的属性信息, 这就
构成了多层异质网络. 例如, 在电子商务网络中, 存在两种类型的节点 (即用户和商品), 并且相同的用户商品节点
对之间存在多种关系 (例如点击、购买、添加到购物车或收藏等). 该类多层异质网络中多种类型节点之间的连接
关系也具有多样性, 从而产生具有多种不同视图的网络. 现有的大部分异质网络表示学习方法无法直接套用到多
层异质图表示学习中, 因为这些方法无法充分地利用网络中节点间的多重交互关系. 因此, 本文针对现有的多层异
[6]
质网络表示学习方法展开了研究, 例如 FAME [13] 、DualHGCN 和 BPHGNN [22] 等, 它们都考虑了节点间的多重关
系并进行建模. 然而, 虽然上述模型能够学习多层异质网络节点嵌入表征并进行有效的节点分类任务, 但仍然存在
一些关键问题需要解决.
(1) 现有的大多数多层异质图神经网络模型在考虑多种关系时, 通常先聚合关系的重要性再学习单一表征, 忽
略了不同关系表征的重要性. 例如, 近期提出的 BPHGNN [22] 和 MHGCN [23] 都是先去学习不同关系的重要性, 然后
根据这些重要性融合得到单一的节点表征, 这忽视了不同关系下的节点表征的重要性. 另外, 对不同关系的重要性
的学习可能并不容易, 因此先获得不同关系下的节点表征再去学习表征的重要性具有更好的可操作性和解释性.
(2) 现有的大多数方法都采用统一的框架学习节点的表征, 而忽略了异质节点在不同关系间融合的差异性. 由
于多层异质网络中包含不同类型的节点, 且这些节点在特征上是有所区别的, 采用统一的框架学习这些节点的表
征可能会导致重要的节点个性化信息丢失. 例如, 在电子商务网络中商品的特征是静态的, 这些商品本身的特征信
息一般不会随时间改变. 相比之下, 用户的特征是动态的, 因为用户的兴趣偏好可能随时间、场景等因素的变化而
发生改变. 因此对不同类型的节点采用差异化的表征融合方式是必要的, 可以更好地保留节点的个性化特征信息,
获得更准确的特征嵌入, 从而提升节点分类任务的性能.
(3) 现有的方法都没有充分的捕获多层异质网络中高阶的、全局的语义信息. 由于 GNN 的过平滑问题会限
制 GNN 模型堆叠更多信息聚合层, 现有的大部分方法通常采用较少的 GNN 层数来捕获节点的邻域信息, 即这些