m0_51474171的博客

给定如下图的一个语料，假设窗口大小为5（给定节点左右两个节点出现的概率），当给定节点The的时候，计算quick和brown出现的概率，同样，在给定quick的时候，计算The，brown和fox出现的概率，以此类推。首先，第三个表示，vti和vi+1不相邻，那游走的概率就是0，第二个表示，两个节点相邻，但是vi+1不是元路径所规定的节点类别，那游走概率也是零，第一个就是。比如给定下图元路径MIT，a1，p1，那么给定节点a1，就可以计算节点MIT出现的概率和p1出现的概率并使其最大化。

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，我们的可以在

什么是异构图，什么是元路径，什么是HAN，怎么计算attention，节点级别的attention和语义级别的attention

下面是对举例的解释和注释，记录学习内容。一个两次GCN的模型举例。

GCN，GraphSAGE，GAN

几种常见且有效的网络表征方式：DeepWork，Node2Vec，Node2Vec，SDNE，Struc2vec