Page 242 - 《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 721

GCN 获得每个关系子图下的初始节点表征. 其次, 多关系局部信息聚合显式地探索不同关系下节点表征的重要性
并采用差异化的方式有效地融合不同类型节点的表征. 然后, 高阶全局语义信息聚合通过互补品和替代品矩阵, 捕
获了不同类型节点之间的高阶全局相似性语义信息, 一定程度上缓解了 GNN 模型的过平滑问题. 最后, 通过对比
学习协调局部和全局两个视图中学习到的节点差异性和相似性特征, 聚合获得最终节点表征.
3.1 关系子图表征学习
根据第 2 节中的定义, 属性多层异质网络中存在不同类型的节点和边, 每种类型的边对节点表征有不同的作
用和影响. 首先, 模型解耦多层异质图中节点间的不同关系类型生成多个关系子图, 并将生成的子图表示为
{G r |r = 1,2,...,|R|}, 与之相应的邻接矩阵表示为 {A r |r = 1,2,...,|R|}. 其次, 模型学习每个关系子图下的节点嵌入表示.
对于第 r 个关系子图 G r , 通过 GCN 的多层消息传播公式可以获得:

( )
(1)
H = σ ˆ A r ∗X∗W (1) (1)
r r

( )
(l)
H = σ ˆ A r ∗H (l−1) ∗W (l) (2)
r
r
r
1 − 2 1
− 2
其中, *表示卷积; ˆ A r = D r ×(A r +I r )×D r 是具有自连接的归一化邻接矩阵, D r ∈ R n×n 表示第 r 种关系下的度矩阵,
I r ∈ R n×n 表示单位矩阵; H ∈ R n×d 是第 l 层卷积中第 种关系下的节点嵌入, 其中, d 表示嵌入维度; W (l) 和 σ 分别
r
(l)
r
r
f(·) 来融合
是可训练参数和非线性激活函数. 为了确保局部邻居节点对生成的节点嵌入贡献更大, 模型使用函数
所有层的节点嵌入:

( )
H r = f H l (3)
r
V
其中, l = [0,1,...,L], 函数 f(·) 为串联操作. H r = H +H , 表示在第 种关系下的所有节点嵌入, 由用户嵌入矩阵
U
r
r r
V
H U r 和商品嵌入矩阵 H 组成.
r
3.2 多关系局部信息聚合
通过显式地探索不同关系下节点表征的重要性, 并采用差异化的方式融合这些表征, 模型能够充分捕获多层
异质网络中不同交互关系的差异性特征. 模型将不同类型的节点表征做区分处理, 因为不同类型节点的特征本质
上是不同的. 通过个性化特征区分不同类型的节点并分别学习它们的节点表征, 可以更好地捕获这些节点的特征
信息, 从而提升节点分类任务的性能.
r
a
r
r
首先, 以电子商务网络为例, 设用户 u 在关系 下的语义融合系数为 , 其中不仅需要考虑用户 u 的第 个关
u
系在所有关系中所占的比例, 还需要考虑不同关系的重要性, 如下所示:

( )
exp w m ×n r
r
a = u (4)
u
R ∑
( )
exp w m ×n m
u
m=1
r
其中, w m 是关系 的强度权重, 这对于所有用户来说是相同的, 模型可以自适应地学习; n 表示用户 u 在关系 下
r
r
u
的关联次数.
v
u
V
v
h
根据已经得到的关系 r 下的嵌入矩阵 H U r 和 H , 用户 u 和商品 的嵌入分别表示为 h 和 , 随后将合并所有
r
r
r
u 而言, 利用第 个关系的语义融合系数 , 模型可以自适应地融合不同交互关系产生
r
r
a
关系下的节点表征. 对用户
u
的差异性特征, 生成用户 u 的最终节点表征:

  R  
 ∑  


(l)  (l)   r (l−1)  (l) 
h = σ W   a ×h  (5)
u   u u,r +b 


 
r=1
(0)
u
其中, W (l) 和 b (l) 是神经网络的权重和偏置, h = h .
u,r r
然而, 商品在多种关系下的融合与用户不同, 由于商品的特征是静态的, 因此可以采用串联操作将商品 v 在不
同关系下的表示组合起来:

{ ( )}
(l)
h = g Concat h (l−1) (6)
v v,r