Page 247 - 《软件学报》2026年第2期

726 软件学报 2026 年第 37 卷第 2 期

和 Micro-F1 指标分别取得了 2.51% 和 5.13% 的平均提升. 需要强调的是, 在 Taobao 的数据集上, 与 2023 年提出
的 KDD 的基线方法 BPHGNN 相比, 模型在 Macro-F1 和 Micro-F1 指标上的平均提升分别达到了 3.60% 和 8.95%.

表 3 不同方法在 3 个多层异质网络数据集上的节点分类性能比较数据

Taobao Alibaba-L Alibaba
方法
Macro-F1 Micro-F1 Macro-F1 Micro-F1 Macro-F1 Micro-F1
node2vec 0.238 7 0.334 7 0.309 8 0.337 8 0.235 6 0.243 2
RandNE 0.297 2 0.348 1 0.303 1 0.349 2 0.311 4 0.298 7
R-GCN 0.265 3 0.378 1 0.333 2 0.353 5 0.272 8 0.283 4
FastRP 0.291 6 0.382 2 0.326 3 0.351 7 0.301 2 0.320 8
DMGI 0.309 1 0.396 2 0.313 5 0.323 3 0.251 4 0.278 7
MNE 0.289 9 0.395 7 0.342 4 0.429 5 0.252 8 0.283 4
GATNE 0.289 1 0.396 4 0.349 3 0.383 4 0.270 1 0.300 8
DualHGNN 0.315 5 0.401 6 0.432 3 0.463 2 0.340 0 0.343 3
FAME 0.312 8 0.403 6 0.360 7 0.453 5 0.242 2 0.267 7
GTN 0.279 6 0.386 2 0.369 4 0.452 7 0.422 6 0.456 7
SGC 0.278 6 0.366 1 0.324 3 0.383 5 0.252 8 0.267 4
AM-GCN 0.293 7 0.349 9 0.328 1 0.336 4 0.427 8 0.475 6
HGTN 0.318 2 0.402 3 0.381 1 0.482 1 0.393 6 0.452 2
MHGCN 0.316 3 0.413 3 0.412 1 0.493 6 0.426 9 0.471 1
MAGNN 0.305 8 0.355 6 0.345 4 0.385 1 0.405 6 0.443 9
SR-RSC 0.294 7 0.396 5 0.362 5 0.453 3 0.413 3 0.432 8
BPHGNN 0.319 8 0.420 1 0.453 1 0.509 8 0.482 7 0.521 3
MHGNN 0.331 3 0.457 7 0.462 1 0.518 9 0.492 0 0.545 5

表 4 不同方法在 3 个普通异质网络数据集上的节点分类性能比较数据

AMiner IMDB DBLP
方法
Macro-F1 Micro-F1 Macro-F1 Micro-F1 Macro-F1 Micro-F1
node2vec 0.522 1 0.532 2 0.361 3 0.382 2 0.868 1 0.879 4
RandNE 0.641 2 0.672 3 0.373 7 0.392 3 0.837 5 0.852 3
R-GCN 0.665 1 0.687 2 0.544 2 0.571 2 0.821 2 0.831 9
FastRP 0.650 1 0.690 3 0.363 1 0.381 8 0.841 3 0.843 3
DMGI 0.472 2 0.623 2 0.548 6 0.544 2 0.830 5 0.840 9
GATNE OOT OOT 0.369 1 0.333 4 0.833 2 0.839 4
MNE 0.643 1 0.686 7 0.374 6 0.382 2 0.856 1 0.860 7
FAME 0.722 4 0.728 2 0.593 1 0.594 2 0.890 1 0.893 2
SGC 0.516 1 0.585 3 0.489 3 0.563 2 0.851 7 0.854 3
AM-GCN 0.701 2 0.711 3 0.610 1 0.640 2 0.855 8 0.863 6
MAGNN 0.751 3 0.750 3 0.614 3 0.615 7 0.872 1 0.883 7
HGTN 0.682 4 0.695 5 0.634 8 0.633 9 0.862 4 0.873 2
SR-RSC 0.703 1 0.740 2 0.629 3 0.630 5 0.889 6 0.903 1
BPHGNN 0.741 2 0.751 1 0.713 1 0.731 0 0.890 5 0.899 3
MHGNN 0.772 0 0.782 1 0.769 1 0.788 9 0.912 5 0.917 8

模型取得性能提升的主要原因有: 首先, 从总体而言, MHGNN 对不同类型节点的表征采用不同的学习方式,
显式地探索不同关系下的节点表征的重要性并有效地融合这些表征, 从而能够充分地捕获多层异质网络中复杂的
交互关系. 其次, 从最新的基线方法对比而言, BPHGNN 先学习不同关系的重要性再融合得到单一的节点表征, 这
忽视了不同关系下的节点表征的重要性, 而 MHGNN 能够显式地探索进行更有效的融合节点表征. 最后, 从具体
的数据集而言, Taobao 数据集中边的种类更丰富, 包含 4 种关系的边, MHGNN 可以有效地融合不同关系下各类
节点的表征, 得到更好的节点嵌入, 从而大幅度提升了节点分类的效果.