摘要：图卷积网络在处理网络数据的各种任务上有很多应用,特别是异构图卷积网络更是得到了广泛应用.但是,现有的工作中大多只设计单一关系的异构网络,这在处理那些含有多类型节点并且节点间具有多重网络关系的复杂异构网络时,很难准确捕获到跨不同关系的节点的特征,因此,这些异构网络的效果自然是不能令人满意的.为了应对这一挑战,提出了一种处理异构网络嵌入的多路动态注意力图卷积网络(MDAGCN).MDAGCN首先通过动态聚合同一节点对之间多种关系的信息,然后通过注意力机制得到不同长度元路径注意力权重,最后使用多层卷积结合注意力权重充分获取不同长度元路径上的信息来学习节点表示.在3个真实的数据集上进行实验.结果表明:MDAGCN模型可以通过动态权重以及注意力充分学习异构网络上的节点信息,以此提升节点分类和链路预测的效果.