路径感知多尺度异质图神经网络PM-HGNN：基于冗余消除与全局信息融合的节点分类优化

针对异质图神经网络(HGNNs)中元路径冗余、全局信息利用不足及路径属性忽略等问题，研究人员提出路径感知多尺度异构图神经网络PM-HGNN。通过全局相似性均值聚合器预计算邻居信息，结合动态权重分配机制，显著提升节点分类性能，在四个真实数据集上超越现有最优方法，为复杂图结构数据分析提供新范式。

　　

在社交网络、推荐系统和知识图谱等场景中，异质图数据因其包含多种节点和边类型而极具研究价值。传统异质图神经网络(HGNNs)存在三大痛点：元路径间冗余度高、全局拓扑信息利用不足、路径长度与类型等固有属性被忽视。这些问题导致模型计算成本增加、特征提取效能降低，尤其影响节点分类等核心任务的准确性。

为突破这些瓶颈，中国研究人员开发了路径感知多尺度异质图神经网络PM-HGNN。该研究创新性地提出局部特征增强策略与自适应路径权重分配机制，通过定量重叠比指标消除冗余元路径，并首创性地融合局部元路径结构与全局图拓扑（采用同质路径余弦相似度与异质路径Jaccard相似度的双相似度机制）。相关成果发表于《Neural Networks》，为复杂异质图分析树立了新标杆。

关键技术包括：1）基于重叠比的元路径冗余消除算法；2）全局相似性均值聚合器；3）融合路径长度与类型的动态权重分配模块；4）在DBLP、ACM等四个基准数据集上的节点分类验证。

【冗余消除】通过量化元路径间重叠率（如PCP与PCPCP重叠率达1），系统合并语义重复路径，减少噪声干扰并提升训练效率。实验显示该策略使计算复杂度降低23%。

【全局信息融合】设计双相似度增强邻接矩阵：同质路径采用余弦相似度，异质路径使用Jaccard相似度。在ACM数据集上，该模块使分类准确率提升4.7%，证明全局拓扑信息的整合价值。

【动态权重分配】突破传统仅依赖节点嵌入相似度的局限，综合评估路径长度与类型属性。长路径PAPCP通过类型补偿机制获得比短路径PAP更高权重，更精准捕获深层语义。

研究结论表明，PM-HGNN在四个基准数据集上节点分类准确率平均超越SeHGNN等基线模型2.3-5.1%。其创新性体现在：1）首次实现元路径冗余的定量化消除；2）开创局部-全局双相似度融合范式；3）建立路径属性感知的动态评估体系。该成果不仅推动HGNN理论发展，更为推荐系统优化、药物发现等应用提供新工具，例如在药物靶点预测中可有效识别跨类型分子相互作用。

讨论部分强调，PM-HGNN的通用框架设计可扩展至其他图学习任务，未来研究方向包括自动化元路径生成与多模态异质图处理。该工作获得国家自然科学基金（62376081、U21A20484）支持，相关代码已开源。