软件学报

作者：于朋健，李享，齐建鹏，于彦伟，董军宇

单位：于朋健，中国海洋大学 信息科学与工程学部, 山东 青岛 26610011,李享，中国海洋大学 信息科学与工程学部, 山东 青岛 26610002,齐建鹏，中国海洋大学 信息科学与工程学部, 山东 青岛 26610003,于彦伟，中国海洋大学 信息科学与工程学部, 山东 青岛 26610004,董军宇，中国海洋大学 信息科学与工程学部, 山东 青岛 26610005

关键词：图表示学习;多层异质网络;图卷积网络;节点分类;对比学习

基金：国家自然科学基金(62176243, 61773331, 41927805)

近年来, 由于异质图卷积网络能够有效学习异质网络语义信息, 逐渐成为网络节点分类的主流算法, 但仍面临诸多挑战: 现有的大多数工作主要集中在普通异质网络上, 即假设两个节点之间只有一种类型的边, 忽略了多层异质网络中多类型节点间的多重关系, 以及没有显式地探索不同关系对各类节点表征的影响. 此外, 图神经网络的过平滑问题也限制了现有模型仅能捕获低阶的局部信息, 几乎无法学习网络的全局相关信息. 为了应对这些挑战, 提出了一种面向节点分类的多层异质图神经网络(multiplex heterogeneous graph neural network, MHGNN). 具体来说, MHGNN首先学习各类节点在不同关系下的局部初始表征, 再显式地探索不同关系下的表征的重要性以及有效融合不同关系下各类型节点的表征, 从而捕获多层异质网络中不同交互关系的差异性. 其次, 基于微观经济学中的替代品和互补品概念, 构造了考虑全局相似性特征的替代品和互补品矩阵, 并通过图神经网络进行信息聚合, 以更好地捕获不同关系下各类节点之间的高阶全局语义信息. 最后, 通过对比学习协调局部和全局两个视图中学习到的差异性和相似性表征并融合获得最终节点表征. 在6个真实数据集上的广泛实验评估证明所提的MHGNN在节点分类任务上的各项评估指标都显著优于最新模型.

来源：2026年第2期

《软件学报》期刊编辑部

查看软件学报杂志2026年第2期