由不同类型的节点和边组成的异质网络结构在现实世界中具有广泛的应用场景,例如论文、会议、期刊、作者等不同类型的节点能基于论文-会议或论文-期刊的投稿关系、论文-论文的引用关系、论文-作者的撰写关系以及作者-作者的共作关系构建一个引文网络结构,此外现实场景中常见的网络结构还有社交网络、交通网络以及电商网络等。近年来,针对异质网络结构所建模的异质图神经网络不断迭代改进,能实践于现实项目以促进项目的高效运行同时提升用户体验,但是这些模型构建的默认前提是所针对的异质网络结构是准确无误的,是真实反映客观现实的,然而由于人为因素和客观因素的存在,异质网络结构从现实场景中抽取构建出来时可能会包含一些不确定性的关系,而目前已有的异质图神经网络并没有考虑到这一点。此外,现实应用场景中,会存在各种因素导致网络结构的关联关系发生改变,例如社交网络中,用户取消或关注另一个用户都会导致网络结构的边断开或构建,现有的异质图神经网络在面对这些干扰时性能会显著下降,暴露其鲁棒性较弱的问题,这限制了这些模型在现实世界的广泛应用。针对上述异质图中存在的关系不确定性问题以及现有异质图模型鲁棒性较弱的问题,本文提出贝叶斯异质图神经网络和基于数据增强的模型鲁棒性提升算法,本文的主要贡献如下:1.提出一种异质图神经网络,用于解决异质网络结构的关系不确定性问题,并称之为贝叶斯异质图神经网络。该模型通过预定义多条元路径以得到多个元路径邻居图,每个元路径邻居图均被视为一个随机图参数族的具体实现,然后通过分类混合隶属度随机块模型分别对每个随机图进行建模,再结合贝叶斯方法构建节点标签的后验推理公式,通过对公式进行推导得到减少关系不确定性的模型。2.提出一种新的增强异质图神经网络鲁棒性的算法,该算法通过重构和泛化原异质图中的元路径邻居图,以得到一定数量的新网络结构作为训练数据,从而增加训练集中的对抗性实例的数量,同时结合权重样本采样进一步增强数据信息,由此达到提高模型鲁棒性的目的。基准异质图数据集上的节点分类实验以及节点攻击实验得到的结果显示本文提出的模型比现有的基准图神经网络模型拥有更好的节点分类性能,比现有的异质图神经网络模型拥有更强的鲁棒性,验证了本文提出算法的有效性和优越性,能够更好地适用于图数据的各种实际应用。