基于关系嵌入的异质图神经网络链接预测模型.pdf

计算机测量与控制.2025.33（3）测试与故障诊断

·30ComputerMeasurementControl

DOI:10.16526/ki.11-4762/tp.2025.03.004中图分类号：TH133.33文献标识码：A

文章编号：1671-4598（2025)03-0030-07

基于关系嵌入的异质图神经网络链接预测模型

龙伟1.2，张明蓝1.2，韩敏1,2

（1.西南交通大学计算机与人工智能学院，成都610031；

2.制造业产业链协同与信息化支撑技术四川省重点实验室，成都610031）

摘要：异质图链接预测任务是一个具有挑战的任务；通过异质图神经网络可以学习异质图节点的节点表示，并基于

链接端点的节点表示进行链接预测；基于元路径的异质图神经网络往往不能兼顾效率和性能，而传统的基于关系的异质

图模型难以处理复杂的关系抑或不能充分学习异质图中的类型信息，因此提出了一种简单、轻量的基于关系嵌人的异质

图神经网络链接预测模型LightREGNN；使用可学习的关系嵌人表征图中的异质类型信息，并采用TTPP模型结构从而

缓解模型退化问题；还采用了跳跃链接，L2归一化等方法进一步提升模型性能；通过可靠的实验表明，提出的Light-

REGNN在异质图链接预测任务上相较于经典的基于节点表示的异质图链接预测模型有着更好的表现；平衡了模型的效

率和性能，能够成为异质图链接预测任务上一个合适的候选模型。

关键词：图神经网络；链接预测；异质图；异质网络；关系嵌入

HeterogeneousGraphNeuralNetworkLinkPredictionModel

BasedonRelationalEmbedding

LONGWeil-2,ZHANGMinglanl-2,HANMin?

(1.SchoolofComputingandArtificialIntelligence,SouthwestJiaotongUniversity,Chengdu610031,China;

2.ManufacturingIndustryChainsCollaborationandInformationSupportTechnologyKeyLaboratoryof

SichuanProvince,Chengdu610031,China)

Abstract:Itisachallengeforpredictingheterogeneousgraphlinks.Heterogeneousgraphneuralnetworks(HGNNs)

areusedtolearntherepresentationsofheterogeneousgraphnodes,andtopredictlinksbasedontherepresentationsofthe

nodesattheendpointsofthoselinks.However,HGNNsbasedonmetapathsoftencannotadequatelybalanceefficiencyand

performance,andtraditionalrelation-basedheterogeneousgraphmodelsaredifficulttoprocesscomplexrelationsortofully