本研究通过引入可学习的元路径来优化对比学习的过程，解决了异构图神经网络在标签获取困难下性能不均的问题。整合各种元路径子图并通过对抗训练策略进行边缘修剪，可以显著提升模型的性能和鲁棒性，超越现有的无监督学习模型。

该研究提出了一种新的元路径图神经网络学习方法，使用少量信息丰富的元路径提高准确性，并使用评分函数衡量关系的潜在信息量。实验评估表明，该方法在存在大量关系的情况下也能正确识别相关的元路径，并在综合和真实世界实验中显著优于现有的多关系图神经网络。