本发明公开了一种基于图神经网络和注意力机制的异质网络属性补全方法，属于数据处理技术领域。首先通过结合K‑Nearest Neighbor和属性之间的余弦相似度，从网络中捕获与目标节点（带有缺失属性的节点）相似的节点，将这些节点的属性自适应的转化为目标节点的特征域的网络表征；再基于图神经网络和transformer的注意力机制，对网络中的拓扑结构和节点的属性信息进行层次化的分析，进而在空间域获得目标节点的网络表征；最后结合空间域和特征域的网络表征基于欧氏距离的损失函数去进行模型参数学习进而对缺失属性补全。经过实际验证，本发明提供的属性补全方法具有高效、高精确度的特点。