Page 246 - 《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 725

4.2 基线方法
本文将 MHGNN 与以下 16 个图表示学习基线进行比较. 这些基线主要分为 3 类.
(1) 同质网络嵌入方法
[2]
● node2vec : 一种网络嵌入方法, 通过采样有偏随机游走来学习节点表征.
● RandNE [34] : 一种基于高斯随机投影的网络嵌入方法, 保留了节点之间的高阶邻近度.
● FastRP [44] : 使用稀疏随机投影的 RandNE 扩展.
● SGC [28] : GCN 的简化版本, 它只使用高阶邻接矩阵和属性矩阵的乘积, 没有非线性变换.
● AM-GCN [29] : 同时考虑拓扑空间和特征空间中的特征聚合, 并通过注意力机制将它们融合.
(2) 异质网络嵌入方法
● R-GCN [45] : 考虑了不同边类型对节点的影响, 并使用权重共享和系数约束.
● MAGNN [32] : 通过使用预定义的元路径, 利用元路径内和元路径间信息聚合来获取最终的节点表征.
● GTN [30] : 可以自适应地学习各种元路径的重要性, 而不需要手动设置元路径.
● HGTN [46] : 利用不同类型节点和超边之间的信息传递能力来学习高阶语义信息.
● SR-RSC [47] : 针对属性异质网络图表征学习, 打破了当前图表征研究中预设元路径和非全局节点学习的
限制.
(3) 多层异质网络嵌入方法
● MNE [34] : 通过结合高维公共嵌入和低维分层嵌入获得最终节点嵌入.
● GATNE [35] : 通过在每种类型的边上随机游走来学习基本节点嵌入、边嵌入和属性嵌入, 然后使用它们来获
得最终的节点嵌入.
[8]
● DMGI : 通过最大化每个关系中局部和全局信息之间的互信息来学习多重异质网络中节点的特征表示.
● FAME [13] : 一种基于随机投影的 AMHEN 网络嵌入, 使用谱图变换来捕获元路径, 并通过随机投影显著提高
效率.
[6]
● DualHGNN : 通过超图卷积实现了多重二部网络中节点表征学习.
● MHGCN [23] : 通过自适应学习多重异质图网络中各种元路径的重要性来获取节点表征.
● BPHGNN [22] : 一种较新的多重异质图神经网络方法, 通过构造基础行为模式来代替元路径, 从而更有效地利
用多重网络结构来学习节点表征.
4.3 实验设置与评估指标
本文基于 PyTorch 框架实现 MHGNN, 每个实验都重复 10 次并取平均值作为最后实验结果. 在 MHGNN 中
GCN 信息聚合层数设置为 2, 超参数 τ 设置为 0.1, 并在{0.01, 0.05, 0.001, 0.005, 0.000 1, 0.000 5}中调整学习率大
小, 对比学习中的超参数 γ 设置为 0.01, 20% 的数据作为训练集, 40% 作为验证集, 40% 作为测试集. 所有基线方
法在实验中都使用他们发布的源代码和论文中推荐的参数, 以确保达到预期的效果.
Micro-F1 和 Macro-F1 是分类问题中常见且重要的评价指标, 主要基于混淆矩阵计算查准率和查全率, 然后
分别通过微平均和宏平均的方式综合考虑分类结果, 本文选用 Micro-F1 和 Macro-F1 作为节点分类任务的评价
指标.
4.4 实验结果分析
本文首先分析所提出的 MHGNN 模型和基线方法在节点分类任务上的评估结果, 如表 3 和表 4 所示, 其中,
最好的结果用粗体标注, 次好的结果用下划线标注. 表 3 展示的是所有方法在多层异质网络数据集上的评估结果,
表 4 展示的是所有方法在普通异质网络数据集上的评估结果. 两个表格中分割线的上半部分列举的是无监督的节
点分类方法, 下半部分是半监督的节点分类方法.
根据实验结果所示, MHGNN 在 Macro-F1 和 Micro-F1 指标上均显著优于基线方法, MHGNN 在 6 个数据集
上的 Macro-F1 和 Micro-F1 指标分别取得了 3.57% 和 5% 的平均提升, 其中, 在 3 个多层异质网络上的 Macro-F1