一种基于邻居和高阶子图聚合学习的异构图表示学习方法

本发明公开了一种基于邻居和高阶子图聚合学习的异构图表示学习方法，属于异构图神经网络技术领域，包括设计基于异构图编码器‑解码器的属性补全机制，通过编码器对节点的初始属性进行编码，然后通过解码器重构出节点的完整属性，从而补全缺失的节点属性；基于元路径将异构图分割为两类子图，包括邻居子图和高阶子图；基于归一化卷积以及自注意力机制分别对邻居子图和高阶子图内的节点进行内聚合；基于交叉注意力机制将邻居子图和高阶子图进行外聚合；将节点属性补全的损失与下游任务的损失联合进行联合训练优化；本发明采用上述的一种基于邻居和高阶子图聚合学习的异构图表示学习方法，解决了节点属性缺失和节点属性信息挖掘不充分的问题。