DHGNN-MVC：基于多视图对比学习的动态异构图神经网络

《Neural Networks》：DHGNN-MVC: Dynamic Heterogeneous Graph Neural Network Based on Multi-View Contrastive Learning

　　摘要
动态异构图作为一种重要的工具，用于表征复杂系统中多种类型的实体及其演化关系，已在学术网络分析、电子商务和社交网络等场景中得到广泛应用。然而，与静态同构图相比，动态异构图数据的异质性和时间动态性为表示学习带来了额外的挑战，这意味着现有的动态异构图学习方法在建模过程中仍然面临以下问题：（1）元路径在时间快照内的语义传播受到限制；（2）由于动态优化目标的存在，存在低阶关系偏差问题。为了解决上述挑战，我们提出了一种基于多视图对比学习的动态异构图神经网络（DHGNN-MVC）。具体来说，我们在异构信息聚合过程中通过优化元路径语义建模方法，显式引入了中间节点的属性信息。结合基于PPR矩阵的消息传播机制，这使得我们能够从关系和元路径的角度协同捕获异构图快照中的局部和深层信息，从而有效缓解元路径在时间快照内语义传输的限制。同时，我们提出了一种多视图对比学习策略，联合优化了未来图重建损失、局部-全局对比损失和社区演化对比损失。节点表示在三个层面上受到约束：局部结构、图级语义和社区层面，以有效缓解低阶关系偏差问题。在多个真实世界动态异构图数据集上进行的仿真实验表明，DHGNN-MVC的性能显著优于现有的基线方法，充分证明了其在捕获动态异构图网络演化规律方面的有效性和新颖性。

引言
随着信息技术的快速发展，现实世界中的许多复杂系统可以抽象为图结构数据（Fan等人，2025年）。许多实际应用场景，如社交网络、推荐系统和知识图谱，自然也可以建模为图结构数据，其中节点代表实体，边用于描述实体之间的交互。针对图结构数据的表示学习问题，图神经网络（GNNs）通过联合建模节点特征和拓扑信息，在各种下游任务中取得了优异的性能，并成为当前的热研究方向（Xu等人，2025年）。然而，传统同构图中的节点和边只有单一类型，而现实世界的网络通常表现出显著的异质性，即它们通常同时包含多种类型的节点和关系（Xu等人，2022年）。例如，在学术网络中，作者、论文和会议等节点通过“写作”和“发表”等不同关系相互连接。为了解决这个问题，引入了异构图（HGs）的概念，通过引入节点类型和关系类型，可以更精确地建模不同实体之间的复杂交互（Sun等人，2025b年）。
值得注意的是，现实世界的网络不仅具有异构的结构特征，还表现出显著的动力学演化特性（Bai, Qiu, Zhao, 2025b; Guo, Yu, Huang, Chen, Yang, Wang, 2025）。例如，学术合作的形成和解体以及社交关系的动态变化，都表现出显著的时间特征。这使得静态异构图建模方法难以满足现实世界场景的需求。因此，动态异构图表示学习方法逐渐受到研究人员的广泛关注，这些方法旨在不仅表征异构结构，还能有效建模随时间演变的网络动态模式。代表性研究包括DyHATR（Xue等人，2020年）、HTGNN（Fan等人，2022年）等。
尽管近年来动态异构图学习研究取得了一些进展，现有方法在建模复杂异质性和动态性方面仍面临两个关键挑战。首先，元路径在时间快照内的语义传播存在局限性。基于元路径意识的模型通常关注聚合元路径两端节点的信息，而忽略了元路径中间节点的属性信息的显式建模。然而，中间节点在异构语义传播中往往起着重要的桥梁作用，它们的属性信息有助于更准确地建模节点之间的潜在关系。以图1所示的电影网络为例，电影M1和电影M2属于喜剧类型，而电影M3属于动作类型。现在需要预测演员A1是否将与电影M2建立互动关系。对于元路径实例M1A1M3，如果模型仅基于元路径两端节点的信息进行链接预测，由于电影M1和电影M3属于不同类型的电影，模型容易受到不同语义信息的影响，难以自信地预测演员A1与电影M2之间是否存在边连接。相比之下，如果进一步引入元路径中间节点（演员A1）的属性信息，假设演员A1在当前时间阶段更倾向于出现在喜剧电影中，模型可以在元路径实例M1A1M3的语义传播过程中明确利用演员的偏好特征，从而更准确地表征演员A1与电影M2之间的潜在关联。特别是在动态异构图场景中，节点及其行为模式可能会随时间演变，不同时间快照中中间节点所承担的语义角色也可能发生变化。如果不考虑中间节点的属性信息，模型将难以准确捕获时间快照间的语义演化过程，这在一定程度上限制了模型有效学习动态异构语义的能力。
其次，在优化目标层面，现有的动态异构图学习方法大多依赖于自监督目标（如未来图重建或邻域重建）进行训练。本质上，它们通过预测未来时间点节点之间的连接来学习表示。例如，HTGNN（Fan等人，2022年）和DyHNet（Nguyen等人，2023年）等方法在一定程度上使用时间注意力机制来建模时间快照间的动态演化，但其优化目标主要集中在未来图结构的局部重建上，未能考虑高阶结构或图级语义维度的演化约束。值得注意的是，这种优化目标本质上侧重于建模节点之间的低阶成对关系，使模型在训练过程中更容易受到局部拓扑依赖性的影响。结果，学习到的节点表示可能变得过于局部化甚至退化，从而限制了模型捕获复杂动态异构网络演化模式的能力。
为了解决这些挑战，我们提出了基于多视图对比学习的动态异构图神经网络（DHGNN-MVC）。为了解决第一个挑战，DHGNN-MVC进一步关注元路径中间节点在语义传播过程中的作用。与主要关注元路径两端节点之间语义关联的现有动态异构图学习方法不同，DHGNN-MVC从关系角度出发，通过特定关系子图内的消息传递机制聚合不同关系语义下的邻域信息，使元路径中间节点的属性信息参与目标节点表示学习过程，从而有效缓解了传统元路径建模中固有的语义传播限制；为了解决第二个挑战，与大多数依赖单一优化目标（如未来图重建）的现有动态异构图学习方法不同，DHGNN-MVC设计了多视图对比学习机制。通过结合未来图重建损失、局部-全局互信息最大化损失和社区演化对比损失，节点表示从三个层面（局部结构、图级语义和社区层面）受到联合约束。这使得模型能够更全面地表征动态异构网络的演化规律。总体而言，我们的主要贡献可以总结如下：
•我们提出了一种动态网络嵌入学习模块。该模块从关系和元路径两个角度对动态异构图中的复杂语义信息进行建模，并引入基于个性化PageRank（PPR）矩阵的消息传播机制，以提高节点表示的信息传播能力。其中，关系角度的学习通过特定关系子图中邻域信息的传播将元路径中间节点的属性信息整合到节点表示学习过程中，从而增强了模型对异构语义传播过程的建模能力；元路径角度的学习进一步捕获元路径两端节点之间的深层语义关联。同时，通过时间注意力机制实现了不同时间快照下节点表示的自适应融合，以表征节点表示在时间维度上的动态演化。
•我们提出了一种多视图对比学习机制。通过结合未来图重建损失、局部-全局互信息最大化损失和社区演化对比损失，模型从三个层面（局部结构、图级语义和社区层面）联合优化节点表示。这有效缓解了仅依赖未来图重建等优化目标导致的低阶关系偏差问题，并全面捕获了不同尺度下动态异构网络的演化特征。
•我们在多个动态异构图数据集上进行了实验验证。结果表明，DHGNN-MVC在性能上显著优于现有方法，充分证明了其在建模动态异构网络演化方面的有效性和优越性。

本文的其余部分组织如下。第2节回顾了与本研究相关的国内和国际研究。第3节介绍了一些核心概念。第4节详细阐述了DHGNN-MVC模型。第5节通过仿真实验验证了DHGNN-MVC模型的性能。最后，第6节总结了我们的研究成果。

相关工作
在本节中，我们回顾了异构图神经网络、动态异构图神经网络和图对比学习三个领域的研究进展，并分析了DHGNN-MVC与现有研究工作的差异。

初步
在本节中，我们介绍了一些与本研究相关的核心概念。

定义1 异构图
异构图是由多种类型的节点和边组成的有向图，可以表示为??=(??,??)。其中，V表示节点集合，E表示边集合。此外，异构图中的节点类型映射函数为??:??→??，边类型映射函数为??:??→?，用于描述节点类型和对应的边类型。

提出的方法
在本节中，我们提出了一种基于多视图对比学习的动态异构图神经网络（DHGNN-MVC），其整体框架如图2所示。DHGNN-MVC主要包括一个动态网络嵌入学习模块和一个多视图联合优化模块。其中，动态网络嵌入学习模块用于建模动态异构图快照的拓扑结构信息和演化规律；

仿真实验
在本节中，我们在多个动态异构图数据集上对提出的DHGNN-MVC方法进行了实验验证，并将其与主流基线方法进行了比较，以评估其性能。

结论
我们提出了一种基于多视图对比学习的动态异构图神经网络（DHGNN-MVC），该网络专注于动态异构图表示学习这一重要研究问题，并解决了现有动态异构图神经网络方法面临的两个挑战。我们完成的主要研究工作包括：
•我们提出了一种动态网络嵌入学习模块。该模块设计了基于PPRC的消息传播机制。

作者贡献声明
孙伟青：撰写——审阅与编辑、撰写——初稿、软件、方法论、形式分析、数据整理。
童欣：验证、资源、形式分析、数据整理。
谢立勋：监督、软件、资源。
马宝金：验证、资源、概念化。
程远勋：验证、形式分析。
赵晓虎：监督、资源、数据整理、概念化。

利益冲突声明
作者声明没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

孙伟青 | 童欣 | 谢立勋 | 马宝金 | 程远勋 | 赵晓虎