Attributed Multi-order Graph Convolutional Network for Heterogeneous Graphs

这篇论文是我这周读的最顺畅的一篇，不是因为他的idea特别突出，而是文章的思路很清楚，讲的很详细，所以让我感觉到很顺畅，我觉得有必要多写一点论文解读来记录一下。

这篇文章中作者自己提出了三个问题，然后在对模型的讲述中详细地解决了这三个问题

1. How to construct multi-length meta-paths dexterously via learning multiple high-order adjacency matrices and their fusion?

对于建立元路径（meta-paths）的原理，作者举了如下图所示的例子

我的理解是A2是通过添加边为两个原本没有联系的节点添加一个中间节点，然后使得原本没有联系的两个节点通过元路径建立起联系。

对这一定理进行推广，可以得到l阶的元路径的矩阵：

为了更加灵活的运用元路径，作者对原始矩阵进行了添加参数的处理：

其中

并且

若原图为无向图，还需要对添加过元路径的矩阵做如下处理：

2. How to build a multi-order GCN that efficiently propagates node information over learned multi-length meta-paths?

这里作者是基于SGC模型进行改进的，这一模型比GCN更加简单轻便（没有ReLU层）

将原本的邻接矩阵替换为元路径融合了不同关系的A的矩阵，并且对每一层使用共享的可训练矩阵W，可以得到如下公式：

其中：

3. How to adopt node attributes to supervise the fusion of highorder adjacency matrices?

作者并不满足了仅仅聚合了不同关系的属性信息，他认为节点属性不应该仅仅添加在GNN层中直接学习，应当利用节点的同质性信息，具体方法是利用如下公式构建语义邻接矩阵：

这一信息可以用作监督，应用在loss函数的计算中，具体的loss函数如下：

主要原理都是计算交叉熵损失函数。

综合上述三种陈述，具体的算法流程如下：

作为对比，引入一下MHGCN（ Multiplex Heterogeneous Graph Convolutional Network）模型

与本文中采用元路径融合不同关系的邻接矩阵不同MHGCN对邻接矩阵的处理直接得多：

,其中β是可训练参数，同时这篇文章也欠缺一些对节点属性嵌入的融合考量。

PS：综合以上讨论，我开始慢慢对如何产生一个新的idea有了一点点自己的想法，每一个新的idea都是建立在巨人的肩膀上的，要广泛而大量的阅读文章，在已有的文章中发掘别人的问题，然后针对相应的问题尝试着产生属于自己的解决方案，希望后面自己能做的更好吧