Page 241 - 《软件学报》2026年第2期

720 软件学报 2026 年第 37 卷第 2 期

表 1 主要符号及其定义

符号 定义
G 网络图
V, E G节点、边集合
O, R G节点、边类型的集合
X G节点属性矩阵
关系子图
G r
A r 关系子图 G r 的邻接矩阵
替代品矩阵、互补品矩阵
A S , A C
节点的隐藏表征
H r , H UV , H SC , H R
H 节点嵌入
d 嵌入维度
n, m 节点数量、属性数量
β r 关系子图 r 表征的可学习权重
(l) (l) (l)
W , W c , W s 第 l 层可学习的权重矩阵

定义 2 (属性多层异质网络). 给定一个图 G = (V,E,X;φ,ψ;O,R), 其中, X ∈ R n×m 表示节点集 V 中所有节点的属
性集, n 和 m 分别表示节点数量和属性数量. 考虑到节点和边的异质性, 将节点类型和边类型映射函数定义为
φ : V → O 和 ψ : E → R, 其中, O 和 R 分别表示节点类型和边类型的集合, 节点 i ∈ V 和边 e ∈ E 分别属于 O 和 R 中
的某一种类型. 此外, 考虑到边的复用性 ( |O|+|R| > 2), 同一对节点对之间可以存在多种类型的边.
● 问题 (属性多层异质网络的节点分类任务). 给定一个属性多层异质网络 G 以及部分节点的类别标签 , 本
Y
文研究目标是学习一个映射函数 f: v → h v h v ∈ R ,d ≪ |V|) 和一个分类器 C: h v → y v y v ∈ Y), 对于任意一个无标签
d
(
(
节点 v ∈ V, 可学习获得一个最大概率的类别标签 .
y v
3 多层异质图神经网络
本节将详细介绍 MHGNN 方法, 其整体架构如图 1 所示.

(1) 关系子图表征学习
User u u
h 1 h 3
u
h 1 a 1 u a 3 u
u
h 2 ···
H 1 Click Buy
Item u H U H UV
h 3 Add-to-collect
Add-to-cart
u ···
h 4 a 2 a 4
H 2 u u
GCN
u u
h 2 h 4
v
h 1
H 3 v v v
h 2 h 1 h 3
u 1 v 1
H V
v
h 3 Concat MLP{Concat(h1 v ,h2 v ,h3 v ,h4 v )} HU 1
u v u (2) 多关系局部 HU 2
h 4 h 2 h 4
u 2 v 2 H 4 信息聚合 HU 3 infoNCE
GCN
HI 3
|R| HI 2
H R =∑ β r H r 0 1 0 0 1 0 HI 3
u 3 v 3
β 1 r =1 1 0 0 0 1 0
H 1 Layer 1
0 0 0 1 0 0
1 1 0 0 1 0 ··· H S
u 4 v 4 β 2 0 1 1 0 0 0
GCN H 2
0 0 0 1 1 1
Layer l
A S
0 0 1 1 1 0 ···
Click (l) (l−1) * (l)
*
1 0 1 0 0 0 H s =A S H s W s H C H ST
Add-to-cart β 3 0 1 0 1 0 0 (l) (l)
*
c
H 3 H t =A C H t c *
(l−1) W t c
0 0 0 0 1 0 ···
Buy 0 1 0 1 0 0
1 0 0 1 0 1
Add-to-collect
β 4 A C (3) 高阶全局语义信息聚合 (4) 对比学习
GCN H 4
图 1 MHGNN 模型总体框架图

MHGNN 由 4 个关键模块组成: 关系子图表征学习、多关系局部信息聚合、高阶全局语义信息聚合、对比学
习. 首先, 根据网络中包含的不同关系, 关系子图表征学习将多层异质图解耦为多个同质和二部图网络, 再通过