摘要：目前，网络表征学习方法大多针对同构网络，忽视了属性二元网络的特殊性和网络的模体结构。为了解决上述问题，本文提出了一种具有模体信息的属性二部图神经网络用于网络表示学习（MABG）。MABG根据网络中两个节点形成的蝴蝶图案的数量来调整边缘权重，构造图案权重矩阵，并利用图案信息获得属性化的二分网络邻接矩阵。然后采用两种不同的策略捕获二部网络中的显式和隐式消息。对于显式关系，在不同类型的节点之间操作消息传递机制。对于隐式关系，在相同类型的节点中使用消息对齐机制。实现了一个对抗模型，以最小化输入属性和显式关系表示之间的差异。最后，提出了一个级联框架来捕获高阶网络信息并获得最终的节点表示。在四个真实世界数据集上的推荐任务中进行了大量实验。结果表明，与其他先进方法相比，MABG的有效性。

关键词： 属性二部网络， 网络表征学习， 网络图案， 图形神经网络

摘要：目前网络表示学习方法大多针对通过网络，忽略了属性二分网络的特殊性以及网络的模体信息等。为了解决以上问题，提出一种保留模体信息的属性二分图神经网络表示学习方法MABG该方法首先通过网络中两节点共同参与形成的蝶形模体数量来调整边的权重，从而构建模体权重矩阵，获得包含模体信息的属性二分网络邻接矩阵。接着采取不同的策略捕捉网络中的显式和属性隐式消息，对于不同类型节点集合间的显式关系采用消息传递机制，对于同类型节点中的隐式关系采用消息对齐机制，同时使用对抗模型最小化输入特征和显式关系表示之间的差异，之后通过级联框架来捕捉高阶信息并得到最终的节点表示。将该模型在四个真实公开的数据集上执行推荐任务并与其他方法进行对比，验证了该模型的有效性。

关键词: 属性二分网络, 网络表示学习, 网络模体, 图神经网络