KDD19开源论文 Heterogeneous Graph Neural Network

Heterogeneous Graph Neural Network

背景介绍

文章核心思想？

文章针对异构图网络进行建模，得到每个节点的向量表示。首先，利用基于重启的随机游走策略为每个节点根据节点类型选择邻居，然后利用两个模块聚合邻居节点特征：一方面，对节点的不同类型特征进行建模，生成特征向量；另一方面，聚合不同类型的邻居节点，并融合注意力机制，对不同类型的节点赋予不同的权重，得到最终的向量表示。最后，建立损失函数，mini-batch梯度下降端对端学习模型。将学习到的向量表示用于链接预测，推荐，节点分类，聚类等问题，都取得了较好的效果。

异构图网络的挑战

1. 对异构图怎样采样？每个节点的邻居类型不同，邻居个数不同，和有的类型节点不是直接相连

2. 对不同类型的特征怎样进行编码？节点特征多种多样，比如说文字、图像等。

3. 对不同类型的节点如何聚合？不同类型节点影响不同，比如在作者-论文-会议图中，对于作者的向量来说，作者-论文的关系会比论文-会议更重要一些，因为会议中会包含各种类型的论文，会议对应的向量更加泛化一些

针对以上三个挑战，文章提出了HetGNN，主要贡献：

1. 定义异构图：图结构异构并且节点信息异构

2. 提出HetGNN模型，可以同时捕捉结构和内容的异构，可以适用于直推式和归纳式任务

3. 在多数据集实验，链接预测，节点分类，聚类等任务中表现良好

综上，

异构图定义 ：有多种类型的节点和多种类型的边的图，并且每个节点有不同类型的特征（文本，图像等）；

目的：学习异构图中每个节点的向量表示embedding

HetGNN模型结构

针对上文提到的异构网络面临的三个挑战，HetGNN分成了三个部分：

邻居采样策略：Sampling Heterogeneous Neighbors（挑战一）

特征编码：Encodin