虽然基于自监督学习的图神经网络在图数据上取得了成功,但是大多数现有方法只关注无向图,无向图节点之间的关系是双向对称的（信息可以向前传递也可以向后传递）。然而,在很多应用中,节点之间的关系是有向的,所以信息流是不对称的,信息只能在一个方向上传递,即有向边的信息只能从源节点向前传递到目标节点,但不能向后传递。为了适应有向图的这种不对称结构和单向信息传递,本文提出了一个简单但非常有效的自监督学习框架。本文为每个节点定义了一个传入嵌入和一个传出嵌入,以分别对其发送和接收特征进行建模。然后,自监督学习任务尝试通过节点的传入和传出嵌入来预测有向边的存在。自监督辅助任务与主任务联合训练,主任务使用标签信息来更新节点的传入特征和传出特征,自监督任务指导模型学习有向图的结构信息。多个真实世界有向图的大量实验证明了所提出的基于自监督学习的有向图神经网络模型（Asymmetric Self-Supervised Graph Neural Network,ASSGNN）在节点级别和图级别任务中的出色性能。