异质图神经网络（持续更新ing...）

诸神缄默不语-个人CSDN博文目录

本文将对异质图神经网络（HGNN, heterogeneous graph neural networks）的方法演变进行梳理和介绍。

最近更新时间：2022.10.31
最早更新时间：2022.10.31

1. 处理为同质图

直接将节点类型和边类型编码到节点属性中

缺点：不符合GNN内蕴的smoothness假设¹，节点/边类型是离散数值，往往与节点特征不共享结构。

2. Bi-level aggregation scheme

首先聚合同一类/组中的邻居，然后对其进行聚合（求平均或用注意力机制加权求和）。

RGCN: Modeling Relational Data with Graph Convolutional Networks
HAN: Heterogeneous Graph Attention Network
GATNE: Representation Learning for Attributed Multiplex Heterogeneous Network
HGT: Heterogeneous Graph Transformer

缺点：可能会忽略节点信息（尤其在关系种类不平衡时，大类的节点个体信息可能会被忽略）

3. 其他参考资料

1. Heterogeneous graph embedding with single-level aggregation and infomax encoding

---

1. Revisiting Graph Neural Networks: All We Have is Low-Pass Filters ↩︎