范畴语法形式中的句法类别是由较小的、不可分割的基本单元构成的结构单位，这些基本单元通过底层语法的类别形成规则连接在一起。在当前流行的构造性超标签方法中，神经模型越来越能够识别内部类别结构，这反过来使得它们能够更可靠地预测罕见和词汇表外的类别，对之前被认为过于复杂而难以实际应用的语法具有重要意义。在这项工作中，我们从图论的角度重新审视了构造性超标签方法，并提出了一种基于异构动态图卷积的框架，旨在利用超标签器输出空间的独特结构。我们在涵盖不同语言和语法形式的多个范畴语法数据集上测试了该方法，取得了显著优于先前最先进水平的成绩。代码将在 https://github.com/konstantinosKokos/dynamic-graph-supertagging 上提供。