摘要
图神经网络（Graph Neural Networks, GNNs）在节点分类任务中已取得显著成功。传统GNN通常假设图具有同质性（homophily），即相邻节点更可能属于同一类别。然而，许多现实世界中的图呈现异质性（heterophily），即相邻节点往往属于不同类别，这导致标准GNN在这些图上的分类性能大幅下降。针对这一问题，本文提出一种新型GNN模型，能够有效应对异质性与同质性图结构。本研究基于三个关键观察：第一，不同图中节点特征与图拓扑结构所提供的信息量各不相同，因此应独立编码这两类信息，并根据图的特性自适应地进行优先级调整；第二，允许在传播图拓扑信息时引入负注意力权重，能够提升模型的分类精度；第三，节点之间采用非对称注意力机制有助于建模更复杂的依赖关系。基于上述观察，我们设计了一种新颖的自注意力机制，集成于GNN框架中，以实现对图结构与节点特征的高效融合。我们在包含数千至数百万节点的真实世界图数据集上对所提算法进行了评估，结果表明，该方法在分类性能上优于现有主流GNN模型，达到当前最优水平。此外，我们还系统分析了模型各核心组件在不同类型图上的有效性，验证了其设计的合理性与普适性。