Page 240 - 《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 719

获异质节点和边的能力. HetGNN [21] 联合编码图拓扑和上下文异质性进行节点表征学习. NARS [31] 首先生成关系子
图, 通过子图上的一维卷积学习节点嵌入, 然后聚合多个关系子图上学习到的节点嵌入. Fu 等人 [32] 执行元路径内
和元路径间信息聚合, 提取基于元路径的关系上下文来获取节点嵌入. 此外, 还有一些研究试图放宽异质图元路径
构建的要求, 例如 HGT [33] 提出将自注意力机制融合到消息传递机制中, 以对异质节点之间的动态依赖关系进行建
[7]
模. HPN 通过将元路径中的节点映射到语义空间来消除语义混淆, 然后聚合不同元路径下的节点嵌入以获得最
终的节点表示, 从而有效地提升了节点分类效果. 近期的研究 RMR [34] , 创新性地采用保留-掩码-重建机制, 避免了
高成本的元路径构建, 通过轻量化的关系子图操作有效捕获节点异质信息, 在保持图拓扑完整性的同时实现了高
效的自监督学习. AGS-GNN [35] 提出了属性引导的双通道采样框架, 通过特征相似性与多样性采样策略, 结合次模
性优化实现了自适应的子图构建. 然而, 上述异质图神经网络模型都不能有效地学习多层异质网络中节点间的多
重信息, 难以直接应用在多层异质网络的节点表征学习中.
● 多层异质图神经网络方法. 现实世界的图通常是多层异质的, 即两个节点之间可能存在多重交互关系, 而一
般的异质图神经网络方法一般只考虑节点间的单一关系, 难以直接应用到多层异质网络中. 为了应对这一挑战, 研
究者们提出了多层异质图神经网络方法, 将不同类型的节点和多重关系 (边) 投影到潜在语义特征空间中. 例如,
MNE [36] 通过将低层网络嵌入与高层网络嵌入相融合的方法来获得节点表征. GATNE [35,37] 通过在多层异质网络中
进行随机游走获得基础节点嵌入、边嵌入以及属性嵌入, 并通过它们获得最终的节点表征. 在互信息最大化方案
[8]
的推动下, DMGI 被提出作为一种无监督学习方法, 旨在最小化关系感知节点表示之间的差异. 此外, 一些研究者
们提出了自动捕获元路径的多层异质图神经网络方法, 例如 FAME [10] 采用谱图变换自动捕获各类元路径, 采用随
机投影的方法加速表示学习效率. MHGCN [23] 是一种较新的多层异质图神经网络方法, 它通过自适应学习多层异
质网络中各种关系感知的元路径的重要性来获得节点表征. 元路径的本质是一条路径, 它是针对一般异质网络的
一种工具, 元路径很大程度上会影响节点表征的学习, 因此直接使用元路径并不容易捕获多层异质网络中各类型
[22]
节点之间的多重关系特征. BPHGNN 通过构造基础行为模式来替代元路径, 从而有效地利用多层网络结构来学
习节点表征.
● 对比学习. 对比学习通过比较正样本对和负样本对来学习数据表征, 其核心思想是对比包含相关性依赖的
样本分布与不包含相关性依赖的分布, 并通过测量潜在空间中的损失来优化模型, 对比学习已成为无监督图表示
学习和自监督学习的重要组成部分. 例如, DGI [38] 利用信息最大化原理, 将局部补丁和全局摘要构建为正样本对进
[8]
行对比. GMI [39] 进一步引入节点特征和拓扑结构, 通过对比中心节点及其局部邻域来提升表征学习. DMGI 针对
异质网络中每个单一视角, 将原始网络与扰动网络进行对比学习, 并设计共识正则化来引导不同 meta-path 的融
合. TopoGCL [40] 则通过引入拓扑不变性与扩展持久性, 从多分辨率层次挖掘图的高阶子结构特征, 解决了传统图
对比学习忽略拓扑结构信息的缺陷. 此外, Hassani 等人 [41] 提出了一种自监督方法, 通过对比不同结构视图来学习
节点级和图级表征, 但该方法未能有效捕捉跨多视图的高阶信息.
不同于已有的多层异质图神经网络方法, 本文提出的面向节点分类的多层异质图神经网络方法可以学习不同
类型节点的个性化特征信息, 捕获节点间多重关系及其表征的重要性, 并通过替代品和互补品矩阵捕获高阶全局
语义信息, 一定程度上缓解了 GNN 的过平滑问题.

2 相关定义

本节首先介绍本文所涉及的基本概念定义, 然后给出多层异质网络中节点分类问题的形式化描述. 表 1 中包
含了本文所使用的符号及其含义.
首先, 本文定义一个基础网络 G = (V,E), 其中, V 表示节点集, E 表示边集, 代表节点间的连接.
定义 1 (异质信息网络). 给定一个图 G = (V,E;φ,ψ;O,R), 其中, V 表示节点集, E 表示边集, φ 表示节点类型映
射函数, ψ 表示关系类型映射函数, O 和 R 分别表示节点类型集和边类型集．当节点类型数量 |O| > 1 或边的类型
数量 |R| > 1 时, 称为异质信息网络, 反之称为同质信息网络.