Page 248 - 《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 727

根据表 4 中的实验结果, MHGNN 不仅在多层异质网络中表现优异, 在具有多类型节点 (即 IMDB、DBLP 和
AMiner) 的普通异质网络上也显著优于基线方法, 在 3 个数据集上的 Macro-F1 和 Micro-F1 指标分别取得了
4.52% 和 4.87% 的平均提升, 其中, 在 IMDB 数据集上的 Macro-F1 和 Micro-F1 指标上分别取得了 7.85% 和
8.98% 的最大提升. 这些普通异质网络数据集不包含多层异质结构, 但 MHGNN 依然可以取得最好的效果, 这是因
为: 第一, MHGNN 针对不同类型的节点选择了不同的表征学习方式, 例如: 对 IMDB 数据集而言, MHGNN 将作
者类型的节点进行多关系表征聚合, 而对论文和地点类型的节点采用了串联操作进行聚合; 第二, MHGNN 利用包
含全局相似性特征的替代品和互补品矩阵, 更好地捕获了各类型节点之间的高阶全局语义信息, 这对于节点分类
任务非常重要, 但被以前大部分的异质网络表征方法忽略了.
值得注意的是, 本文聚焦于多层异质图上的节点分类任务. 我们提出的 MHGNN 模型不仅对多种类型的关系
子图进行建模, 还从局部和全局视角捕捉用户偏好, 学习不同关系的重要性. 此外, 模型融合了商品之间的互补与
替代关系, 从而生成鲁棒且高质量的节点表征. 这些表征不仅适用于节点分类任务, 还能应用于链路预测和推荐任
务, 有效捕捉多层异质图中的复杂交互关系, 发挥 MHGNN 在多种图任务上的泛化能力.

4.5 消融分析
为了验证模型每个模块的有效性, 本文设置了 MHGNN 的 3 种变体模型进行实验, 分别是: MHGNN-D 删除
了多关系局部信息聚合, MHGNN-S 删除了高阶全局语义信息聚合, MHGNN-C 删除了对比学习, 并直接对 H UV 、
H SC 表征执行平均池化以获得最终的节点表示. 图 2 展示了在 4 个数据集上的节点分类实验评估结果, 其中, 两个
多层异质网络数据集 (Taobao、Alibaba) 使用右纵坐标轴, 两个普通异质网络数据集 (DBLP、IMDB) 使用左纵坐
标轴.

1.0 0.6 1.0 0.6
MHGNN-D MHGNN-S MHGNN-D MHGNN-S
MHGNN-C MHGNN MHGNN-C MHGNN
0.8 0.5 0.8 0.5
0.6 0.4 0.6 0.4

0.4 0.3 0.4 0.3

0.2 0.2 0.2 0.2
DBLP IMDB Taobao Alibaba DBLP IMDB Taobao Alibaba
(a) Micro-F1 指标 (b) Macro-F1 指标

图 2 4 个数据集上的消融实验结果

根据消融实验结果, 我们可以得出以下结论.
(1) MHGNN-S 删除了高阶全局语义信息聚合, 模型性能下降, 这是因为替代品和互补品矩阵可以捕获节点间
的全局相似性特征, 从而有效补充了高阶全局语义信息, 提升了节点分类的性能. MHGNN-D 删除了多关系局部信
息聚合, 模型性能显著下降, 这是因为局部信息表征是节点嵌入的本质, 因此有效地融合不同关系下各类型节点的
局部信息表征对是否能学习到更加准确的节点表征影响很大, 这在节点分类中起着非常重要的作用.
(2) MHGNN-C 删除了对比学习, 模型性能下降, 这表明对比学习模块可以有效协调模型中局部和全局两个视
图的节点表示学习, 从而提高节点分类性能.
(3) 完整的消融实验评估结果验证了每个模块的有效性, 其中, 多关系局部信息聚合是模型中最重要的模块,
它对节点表征学习的影响也是最大的, 其他的两个模块也对节点表征学习有着重要的影响.
4.6 多层异质网络有效性研究
为了进一步验证 MHGNN 在多层异质网络上的有效性, 本文在多层异质网络数据集 Taobao 上变化不同类型
边的数量进行进一步的实验, 并将 MHGNN 与最新的几个基线方法进行了比较. 实验中首先保留一种关系 (购买