Page 239 - 《软件学报》2026年第2期

718 软件学报 2026 年第 37 卷第 2 期

模型只能聚合低阶局部信息而无法捕获高阶全局信息. 然而在多层异质网络中, 一些高阶信息具有重要意义, 例如
在电子商务网络中, 同一用户产生交互的两个商品之间并没有二阶联系, 但它们实际上属于同类型商品, 存在一些
相似的特征, 因此, 在特征表示上也具有相似性, 而这样的相似性则需要模型利用网络中的高阶全局语义信息来捕
获. 相关的论证在文献 [16,24] 中也有涉及.
为了应对上述挑战, 本文提出了一种多层异质图神经网络模型——MHGNN (multiplex heterogeneous graph
neural network), 用于节点分类任务.具体而言, 为了学习不同关系表征的重要性及不同类型节点的差异化特征, 本
文设计了关系子图表征学习模块和多关系局部信息聚合模块, 用于捕捉节点在不同关系下的初始表征, 并显式地
探索与融合这些关系的表征. 接着, 针对多层异质网络中不同类型的节点, 采用差异化的表征融合策略, 以保留各
类节点的个性化特征信息. 此外, 为了捕获高阶全局语义信息, 本文设计了高阶全局语义信息聚合模块, 通过构建
替代品和互补品矩阵, 学习多层异质网络中的高阶全局语义, 在一定程度上缓解了 GNN 模型中的过平滑问题. 最
后, 本文引入对比学习机制, 协调局部和全局两个视图中的节点表征, 并融合得到最终的节点表征. 节点分类实验
在 6 个真实数据集上的评估结果表明, MHGNN 在多个指标上显著优于最新的基线方法.
本文的主要贡献总结如下.
(1) 本文提出了一种用于节点分类的多层异质图神经网络 MHGNN, 它可以捕获不同关系下节点表征的重要
性, 并有效地融合多关系表征来获取节点表征.
(2) MHGNN 针对不同类型的节点采用差异化的表征融合方式, 使得模型可以更好地捕获不同类型节点的个
性化特征信息, 并融合替代品和互补品矩阵, 有效地捕获了多层异质网络中的高阶全局语义信息.
(3) 通过在 6 个真实数据集上的综合实验评估, 结果表明, 所提的 MHGNN 模型显著优于最新方法, 在 Macro-F1
和 Micro-F1 指标上分别取得了 3.57% 和 5% 的平均提升.

1 相关工作

作为当前最热门的研究方向之一, GNN 能够充分利用图网络中丰富的语义信息和结构信息, 学习节点表征并
应用到下游任务中, 如节点分类、链路预测等问题. 根据网络类型的不同, 可将现有的图神经网络节点分类方法分
为同质图神经网络方法、异质图神经网络方法以及多层异质图神经网络方法.
● 同质图神经网络方法. 同质图神经网络方法从同质网络中学习节点的低维特征嵌入, 应用于节点分类任务.
DeepWalk [25] 算法在同质网络中进行随机游走生成随机游走路径, 并利用 skip-gram 算法得到节点的低维特征嵌入.
[2]
node2vec 算法则对 DeepWalk 算法的随机游走方法进行了改进, 将 DFS 和 BFS 的思想引入到随机游走路径的生
成过程中, 从而提升了节点分类的效果. 随着 GNN 的发展, 其在图表征学习中展现出了优异的性能, 基于 GNN 的
图表征学习方法也被更多的研究者们提出. 图卷积网络 (graph convolutional network, GCN) [26] 通过卷积运算将邻居
特征合并到中心节点特征中. 图注意力网络 (graph attention network, GAT) [27] 在 GNN 中引入了注意力机制, 使得
中心节点在聚合邻居信息时, 可以自适应地学习不同邻居节点的重要性. SGC [28] 是图卷积网络的简化版本, 它在
GCN 传播机制中舍弃了非线性变换和训练参数, 只采用高阶邻接矩阵和属性矩阵的乘积, 从而在保留性能的同时
简化了 GCN 的结构, 减少了参数量, 提升了模型计算效率. AM-GCN [29] 同时考虑拓扑空间和特征空间, 并通过注
意力机制融合这两部分空间, 从同质网络中学习丰富的语义信息, 在节点分类任务上取得了较为优秀的性能. 然
而, 这些方法没有考虑网络的异质性, 因此很难直接应用于包含不同类型的节点和边的异质网络.
● 异质图神经网络方法. 异质图神经网络方法是近年来重要的研究方向之一, 重点关注异质网络结构建模和
关系语义提取. 异质网络包含不同类型的节点和边, 交互信息复杂多样, 融入异质结构特征有利于捕获丰富的节点

特征以提升下游任务效果. 基于元路径的异质图神经网络方法是一类常见的方法, 并且大都表现出了优异的性能.
例如 metapath2vec [19] 基于元路径进行随机游走, 用于获取异质图中的随机游走路径, 并利用 skip-gram 算法获得节
点表征. 不同于之前需要手动设置元路径的方法, GTN [30] 可以自适应学习各种元路径的重要性, 从而更高效地利用
元路径信息学习节点表征. 随着 GNN 的发展, 一些异质图神经网络模型通过改进相关的 GNN 模型, 使其具有捕