图学习——05.GTN（Graph Transformer Network）

Graph Transformer Network

在本文中，我们提出了能够生成新图结构的Graph Transformer Network（GTN），其中包括识别原始图上未连接节点之间的有用连接，同时在端到端学习新图上的有效节点表示形式。

最近的一种补救方法是手动设计元路径，这些元路径是与异构边连接的路径，并将异构图转换为由元路径定义的其次图表示，而HAN通过将异构图转换为由元路径构造的其次图来学习图表示学习。但是，这些方法由领域专家手动选择元路径，因此可能无法捕获每个问题的所有有意义的关系，同样，元路径的选择也会显著影响性能。 与这些方法不同，我们的Graph Transformer Networks可以在异构图上运行并为任务转换图，同时以端到端学习的方式转换图上的节点表示形式。

三个概念

T^v 和T^e分别表示节点类型和边的类型，比如下图ACM数据集，有四种边（因为是无向图），PS，PA，AP，SP。

Ak表示第k种类型的边的形成邻接矩阵，比如下图ACM数据集，里面有三种节点P、A、S，P和A形成的边类型的邻接矩阵就是3025 X 5835维的，P和S形成的边类型的邻接矩阵就是3025 X 56维的，最终是为了将所有邻接矩阵拼接得到最后的矩阵，但是我们现在得到了邻接矩阵的维度都是不一样的，为了统一矩阵的维度，将所有的矩阵变成N X N维的，N=3025+5835+56，然后每种边的表示都是在对应位置右边用1表示，其他位置为0即可。

那如何构建特征矩阵X？
一共有三个特征节点，paper，author，subject，每个文章都有自己的特征，author就用文章来表示，比如author1写的paper1和paper2，那就将paper1和paper2拼接在一起得到author1的表示（也可以用max或者Pooling等运算），subject也是同理。

GNN如何组合多元的meta-path呢？

使用矩阵乘法
要得到meta-pathPAP的表示，可以用PA矩阵乘上AP矩阵
PA*PA得到的结果是空
AP*PA=AA得到的结果和P无关，对结果无影响

算法流程：
得到每种边的特征矩阵之后，设置一个可学习参数W1，包含α1，α2等，然后对W1做softmax，将对应的α和对应的邻接矩阵相乘得到Q1，同样的，设置一个可学习参数W2，得到Q2，然后Q1*Q2得到A1，A1就是聚合了一次meta-path之后得到的矩阵

可以再引入W3，得到Q3，在和A1相乘得到一个聚合两次矩阵，以此类推，通过这种方式，可以学习任意长度的元路径结构
得到A其实就是得到了点跟点之间的关系，之前也有每个点的特征值，这两者经过一个GCN就得到了每个点对应的特征，然后经过一个分类器就得到了每个点最终所属的类别。