HetGNN-Heterogeneous Graph Neural Network 异构图神经网络 KDD2019

来源：KDD2019

论文链接：https://www3.nd.edu/~dial/publications/zhang_2019_heterogeneous.pdf

代码链接： https://github.com/chuxuzhang/KDD2019_HetGNN

1、背景 

异质图在实际生活中比同质图要更为常见一些，或者可以认为同质图中节点间存在多种类型的边（关系），同时每一条边所具有的不同属性也会导致节点间的远近亲疏。广泛列举的citation network，在我看来其实还算是比较好处理一点的异质图，虽然说文章间的共同作者、相互引用可以作为不同类型的边，但终究说，一个作者的研究领域是相关的，能够相互引用的文章大多也是同类型的，能够发表在同一个会议上的文章也很大概率是同领域的，在目前抽样形成citation network中，我认为是稍微偏向同质的，而真正的异质网络应该像电商那样的网络，那时候什么点击、购买、收藏、浏览的关系应有尽有，会更难处理节点在不同边支配下的恐惧（^-^）。

言归正传，作者认为目前异质图处理的难点在于，一方面要处理图的结构信息，如不同类型的点和边，另一方面要关注每个节点所具有的属性（例如文本或图像），尽管在同构或异构图嵌入、属性图嵌入以及图神经网络等方面已经有了大量的研究，但很少有研究能同时考虑异构的节点、边和异构的内容。因此，作者提出了HetGNN模型来解决此事。

如下图所示，作者认为当前工作对于异质图还没有解决好的三个问题：

1. 异质图中的大多数节点并不会连接所有类型的其他节点。如academic graph中user节点不会直接连到venue节点上。另外说节点能够连接的邻居数也不一样。大部分GNN直接聚合邻居节点信息，而远处传过来的节点信息会随着距离而减弱。hub节点会被弱关联的邻居节点扰乱信息，冷启动的节点会因为邻居不足而导致不能充分表示。那么问题1就是：如何对异质图上的每个节点采样到强相关的邻居节点呢？
2. 每个节点都带有非结构化的属性特征，如text、image，常用的从concatenate或者linear transformation不能建模节点属性间的deep interaction。那么问题2就是：如何设计异质图上节点属性的encoder来处理不同节点内容异质性问题。
3. 不同类型的邻居节点对生成节点embedding的贡献也不