异构图 Heterogeneous Graph Neural Networks

定义：包含不同类型节点和链接的异构图
像下面这个例子，是一个电影、导演和演员的异构图。

第一个异构图的算法

异构图图注意力机制Heterogeneous Graph Attention Networks

首先看一下作者给的异构图的定义

Node-level attention（节点级别的attention）
通过meta-path:Movie-Director-Movie得到一个同构图，根据终结者的邻居节点（终结者2和泰坦尼克号）通过一种聚合的方式就可以学习到终结者的一个特征表示。这个就是节点级别的attention。
Semantic-level attention（语义级别的attention）
终结者电影有两个meta-path，将这两个特征做一个加权求和，就得到了终结者电影的最终特征表示。这样加权求和的方式，就叫作语义级别的attention。对不同的meta-path对应的邻居分配不同的权重。

下面介绍一下节点特征的attention和语义级别的attention具体的算法
蓝色节点是一类，黄色节点是一类。meat-path定义为蓝–黄--蓝。
通过meta-path得到下面的第二个图，得到这个第二个图后可求得节点级别的attention。
第一步，将节点映射到同一个维度，也就是说如果1节点和2节点不是同一个维度，通过投影函数

将这两个节点映射到同一个维度。
这个图中节点特征数量都是一致的，所以不需要做这一步。当然这一步也不是算法的主要流程。

下面介绍一下算法流程：
第一步，求节点i和节点j的attention值，输入的是节点i和j相连接，φ表示meta-path。我们现在要求1节点周围的邻居节点，1节点和2节点是有边连接的，现在要求e12的attention值，首先要将1节点和2节点的特征输入到这个函数中，attnode表示的是一个网络。
1节点本身也是1节点的邻居。

第二步，对这些得到的attention值做一个归一化的操作，得到归一化之后的attention系数，分母是该节点邻居节点做的操作。我们可以看到这跟GAT是一样的。

第三步，将这个节点的attention系数aij和这个节点的周围邻居做一个加权求和，再经过一个激活函数，就得到这个节点所对应的一个特征表示。

同样的方式可求得其他节点对应的特征，全部节点求得特征后，就得到了φ0这个meta-path下每一个节点对应的特征。
可能有多个meta-path，同理求得φ1下每个节点对应的特征。
下面介绍一下语义级别的attention
第一步，选择了一个meta-path下的所有节点，比如选择橙色φ0下的所有节点，每个节点经过一个全连接层，然后经过一个激活函数，然后乘以一个可学习的参数q，这样就得到了这个节点在这个meta-path下所对应的标量。对所有的节点做同样的操作，然后加权求和，最后除以节点数量，这样就得到了在φ0这个meta-path下所对应的系数。
第二步，做一个softmax操作，进行归一化。
第三步，将节点做一个加权求和，最终得到了这个节点的embedding。

实验结果