Page 249 - 《软件学报》2026年第2期

728 软件学报 2026 年第 37 卷第 2 期

关系) 来进行节点分类任务, 然后逐渐增加网络中不同类型的边并进行相同的实验 (按照添加到收藏、添加到购
物车、点击的顺序).
如图 3 所示, 在保留 Taobao 数据集上的同类型边的情况下, MHGNN 在 Micro-F1 指标上相较于其他基线取
得了更好的结果, 而随着边类型的增加, 模型的分类性能也持续提高, 这表明 MHGNN 可以有效地捕获和融合不
同关系下各类型节点的表征, 来帮助提升节点分类的性能. 此外, 与其他多层异质网络表征方法相比, MHGNN 通
过替代品和互补品矩阵学习到的高阶全局语义信息也进一步提高了模型的性能.

0.40
1 edge 2 edges
3 edges 4 edges
0.35
Micro-F1 0.30
0.25
0.20

0.15
DualHGNN FAME MHGCN MHGNN
图 3 Taobao 数据集上的节点分类实验结果

4.7 参数敏感性分析
本文研究了 MHGNN 的重要参数, 包括 GCN 信息聚合层数 L、表征嵌入维度 d 和对比学习协调视图参数 γ.
图 4 展示了 4 个数据集上不同参数设置下的节点分类任务 Macro-F1 指标的评估结果, 其中, 两个多层异质网络数
据集 (Taobao、Alibaba) 使用的是右纵坐标轴, 两个普通异质网络数据集 (IMDB、DBLP) 使用的是左纵坐标轴.

1.0 1.0
0.95 0.5 0.9 0.5 0.5
Macro-F1 0.85 IMDB DBLP 0.4 Macro-F1 0.8 IMDB DBLP 0.4 Macro-F1 0.9 IMDB DBLP 0.4
Taobao
Alibaba
0.3
Taobao
Alibaba
0.8
0.3
0.3
0.75
0.1
0.6
0.65 0.2 0.7 0.2 0.7 Taobao Alibaba 0.2
1 2 3 4 5 0 0.01 0.10 0.50 1.00 64 128 200 256 512
(a) 层数敏感性分析 (b) 参数 γ 敏感性分析 (c) 嵌入维度敏感性分析
图 4 方法的参数敏感性分析

● 层数 L. 如图 4(a) 所示, MHGNN 的性能随着层数的增加而提高. 当层数超过 2 层时, 模型性能逐步下降, 在
DBLP 数据集上的性能下降尤其明显. 需要强调的是, 本文目的并不是解决 GNN 模型的过平滑问题, 而是提供一
种缓解过平滑的方法, 即使层数设置很小 (设置为 2), MHGNN 还可以通过学习全局信息来提高模型节点分类的
性能.
d. 如图 d 的增加 MHGNN 的性能逐渐上升然后略有下降, 当节点嵌入维度
● 嵌入维度 4(b) 所示, 随着维度
d = 128 时达到最佳性能. 当 d 较小时, 所有节点的特征被压缩成一个较小的嵌入空间, 因此很难保留节点间的特
征相似度. 反之, 较大的维度也会使所有节点嵌入变得扁平, 导致难以区分不同类型的节点.
γ. 根据图 4(c) 展示的实验结果不难发现, 当 γ 落在 0.01 附近时, 模型几乎在所有数据集上都
● 对比学习参数
取得了最佳性能. 当 γ 从 0 增加到 0.01 时, 模型在所有数据集上的性能均有所提升, 这表明对比学习可以有效协
调模型中两个视图的节点表示学习, 从而提高节点分类性能.

5 总 结

本文提出了一种面向节点分类的多层异质图神经网络 MHGNN, 主要由 4 个部分组成: 关系子图表征学习、