Day07图注意力网络笔记

在图神经网络（Graph Neural Networks，GNNs）的研究中，图注意力网络（Graph Attention Networks，GAT）作为一种重要的变体，通过引入注意力机制来动态地分配不同邻居节点的权重，从而提高了模型对图结构信息的处理能力。然而，早期的GAT主要是为同质图（Homogeneous Graph）设计的，即图中的节点和边都是同一类型的图结构。

随着实际应用场景的复杂化，异质图（Heterogeneous Graph）逐渐受到研究者的关注。异质图是指图中包含多种类型的节点和边，它们代表了不同的实体和关系。为了处理这种复杂的图结构，研究者提出了异质图注意力网络（Heterogeneous Graph Attention Network，HAN）。

HAN的核心思想是利用元路径（Meta Path）来确定异质图中每个节点的邻居节点。元路径是异质图中一种重要的语义信息，它定义了一种从一种类型的节点出发，经过一系列边和节点，到达另一种类型节点的路径模式。通过选择合适的元路径，HAN能够捕捉到异质图中节点之间的复杂关系，从而更准确地定义每个节点的邻居集合。

在HAN中，注意力机制被用于动态地分配不同邻居节点的权重。具体来说，对于每个节点，HAN首先根据元路径确定其邻居节点集合，然后利用注意力机制计算每个邻居节点对该节点的贡献度，并将这些贡献度作为权重进行加权求和，得到该节点的表示向量。通过这种方式，HAN能够更准确地捕捉到异质图中节点之间的语义信息和结构信息，从而提高模型在异质图上的性能。