清华大学学报(自然科学版)

作者：祁麟, 鲍鹏, 刘中一, 李亮

单位：1. 北京交通大学 软件学院, 北京 100044,2. 中国民航信息网络股份有限公司, 北京 101318,3. 民航旅客服务智能化应用技术重点实验室, 北京 101318

关键词：多源结构融合,超图卷积,图神经网络,高阶结构建模,图表示学习

基金：国家自然科学基金面上项目(62272032)

随着复杂图数据中多元高阶结构关系的广泛存在, 传统基于单一构图方式的超图神经网络难以全面建模异质高阶依赖, 限制了模型的表达能力与泛化性能。该文提出一种融合多源结构信息的自适应超图神经网络(multi-source adaptive hypergraph neural network, MSA-HGNN)。该模型引入多源结构构建框架, 融合基于成对边连接、跳邻居、基序模式识别与频繁子图等多种结构信息, 覆盖图中不同语义粒度与拓扑层级的高阶关联关系, 提升结构建模的全面性与语义表达能力。在此基础上, 进一步设计了一种超边融合策略, 引入可学习的权重矩阵以实现多源结构间的权重自适应调整, 增强结构融合的判别能力与选择性, 有效缓解结构间语义冲突所带来的干扰问题。模型通过引入注意力机制对多类高阶结构所涉及的节点对进行结构敏感性加权与上下文相关性调节, 提升特征传播的方向性、精度与鲁棒性。在3个标准引文网络数据集和2个异构超图数据集上开展了系统实验, 结果表明, 所提模型在节点分类任务中整体性能优于当前基线模型, 充分验证了其在多源异构高阶结构建模任务中的有效性与泛化能力。该研究为复杂图结构的自适应建模与高阶表征提供了统一的结构感知解决方案。

来源：2026年第5期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2026年第5期