图数据是一类以图结构表示的数据，一般由若干节点和连边组成，并具有相应的特征信息。异配图是一类与同配图相对应的图数据，其中相邻节点通常具有不同的类别或不相似的特征。异配图数据广泛分布于社交推荐、欺诈检测和药物研发等领域。早期图特征学习方法主要以同配图为研究对象进行算法设计，无法有效进行异配图特征学习。因此，研究异配图特征学习方法，不仅能够完善图特征学习方法的设计理论，扩大图特征学习方法的应用范围，也有利于异配图的相关研究和应用的推进，具有重要的理论研究意义和实际应用价值。

现有异配图特征学习方法主要通过同配信息挖掘或异配信息提取，在维持同配图特征学习能力的同时，提升其异配图特征学习能力。然而，现有方法仍然存在以下尚需进一步研究的问题：（1）对于异配图特性的深入探索和同配信息的充分挖掘；（2）对于异配信息的有效提取和利用；（3）对于同配信息和异配信息的细粒度提取和融合。为解决上述问题，本文从异配图数据探究和异配图算法设计等多个层次进行异配图特征学习方法的迭代改进。主要研究内容和创新点总结如下：

1. 提出了一种基于多视角图融合的异配图特征学习方法。该方法旨在通过探究异配图特性，构建具有更高同配度的图结构，进行同配信息的充分挖掘。首先，该方法对异配图中节点特征相似性、类别一致性和图拓扑结构之间的关系进行系统性探究，并由此从不同视角构建了多个具有更高同配度的图结构。然后，该方法针对性地提出了多视角图融合网络，其能够通过所构建的多个具有更高同配度的图结构，充分挖掘和提取多组同配节点特征，并通过可学习的归一化权重，自适应地融合所提取的多组同配节点信息，有效更新中心节点特征。在维持同配图建模能力的同时，该方法能够有效提升异配图特征学习能力。在多个同配图和异配图上的半监督节点分类实验表明，该方法能够取得较高的分类准确度。

2. 提出了一种基于高低通图滤波器融合的异配图特征学习方法。该方法的核心思想在于对异配图中广泛存在的异配信息的有效提取和利用。首先，该方法通过理论分析和实验验证，解释了邻居节点聚合算法无法有效提取异配信息的原因，验证了高通图滤波器和负权重聚合算法对于异配信息提取的有效作用。基于上述分析，该方法从图谱理论角度出发，提出了基于高低通图滤波器融合的图聚合-排斥网络。该网络利用一个可学习权重，融合所学习的低通图滤波器和高通图滤波器，以此通过正注意力权重聚合同配邻居节点特征，并通过负注意力权重排斥异配邻居节点特征。因此，图聚合-排斥网络能够在聚合同配节点信息的同时，有效提取和利用异配节点信息。此外，该方法还进一步降低了模型复杂度，扩展了模型的应用范围。在异配图半监督节点分类和基于真实图像转换的图分类任务上的实验结果表明，该方法能够有效提取和利用异配信息，进一步提升异配图特征学习能力。

3. 提出了一种基于子图感知的异配图特征学习方法。该方法聚焦于细粒度的同配信息和异配信息的提取和融合。首先，该方法提出了基于子图感知的图卷积算法，其能够针对具有不同同配度的中心节点，通过邻居评估函数将其邻居节点解耦为同配节点和异配节点，进而构建同配子图和异配子图；然后基于图聚合-排斥思想，利用正负权重分别聚合同配子图中的节点特征并排斥异配子图中的节点特征，实现细粒度的同配异配信息提取和融合。其次，该方法基于子图感知图卷积算法，构建了针对异配图半监督节点分类和基于真实图像转换的图分类的子图感知图卷积网络，和针对异配交通流量预测的子图感知图结构修正网络。上述所提网络模型在相应任务上的实验结果表明，该方法能够实现细粒度的同配异配信息提取和融合，进一步增强异配图特征学习能力。