论文题目：Heterogeneous Graph Neural Network

论文来源：KDD 2019

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.摘要部分：

HetGNN同时考虑到节点异质的内容信息（节点的不同属性信息的融合），以及图中异质的结构信息。

两个模块：第一部分，通过编码异质内容深度特征的交互，得到每个节点的content embedding。（或者叫attribute embedding）

第二部分，聚合不同的邻居节点，使用注意力机制来考虑不同类型邻居的不同影响

该模型适用于节点分类、聚类、链接预测和推荐等多种应用、任务。

思考：比起其他异质网络模型的优势（之前看过HGAT、HAN、GTN等）：

个人理解：首先HAN、GTN这些需要结合Metapath的思想，需要提前定义元路径，这对负责的网络是不容易选择的，像HGAT这种模型（结合注意力机制的），在短文本分类和假新闻检测中都有使用，但是短文本分类的那篇是先求了类型节点的权重（type attention），再根据类型聚合节点（node attention）信息的权重；而另一篇是先求同类型节点的聚合（nodetype attention），然后把不同类型的节点信息聚合（schema attention），两个相反的过程。

相比之下，HetGNN的优势：（1）不用手动选择元路径；（2）不止能够结合1阶邻居的节点进行判断，可以结合更高阶邻居的节点信息，（不会削弱更远邻居的影响）

2.引言部分

模型框架的总体概述：

a.异质网络的例子（学术网络和review网络）

b.三个过程，C1，采样邻居节点，对a来说，type1的采样节点为b和c；type2采样节点为g和f；type3采样的节点为e和d

C2，节点的attribute融合，得到节点的content embedding。

C3，不同类别邻居聚合（也包括了同类型邻居的聚合）

问题：b和c的节点是如何聚合的？？？（也放到了在C3的过程中）

GNN方法

GNN使用深层神经网络，强有力地聚合了邻居节点的特征信息。

而且，GNN天然可以进行归纳式学习(inductive learning)，可为训练过程中未出现过的节点生成嵌入表示。例如GCN、GraphSAGE、GAT。

HetGNN的三个挑战：

其实上面三个流程换成了三个挑战：（下面直接写解决方案）

1.为每个节点构造邻居节点，大多数只考虑了一届的邻居，但是不相连的节点比如a和v仍然有作用；同时不同类型的邻居节点数目也不同，例如a有5个直接相连得邻居，c只有2个；

解决：首先设计了一个带重启的随机游走策略，为HetG中的每个节点采样固定数量的强关联的异质邻居

2.不同节点的content embedding，如何从异构内容（文本、图像等）获得节点的表示。

解决：用了 RNN 编码节点异质内容信息间深度的特征交互信息，得到每个节点的内容(content)嵌入。

3.不同类型的邻居节点对目标节点的贡献度不同。比如针对author节点，paper节点比起venue相对更重要。

解决：使用另一个 RNN ，聚合不同类别的邻居节点的嵌入，并且运用了注意力机制，为不同类型的异质邻居节点分配不同的注意力，得到最终的节点嵌入。

3.问题定义

4.模型介绍

模型总框架由四部分组成，就是前面介绍的C1，C2，C3三个过程加上定义目标函数并设计模型训练过程

下面详细介绍这四个过程：

一、C1采样邻居节点

本文采用一种random walk with restart(RWR)方法进行采样，主要有两步：

• 从节点v随机游走采样，采样固定长度，每次以概率p访问邻居节点或返回初始节点，每种类型节点采样数固定，确保每类节点都会被采样到。
  
• 对不同类型的邻居分组，不同类型的邻居，根据采样频率返回前k个
  

在上述采样方法中：

• 对每种类型的节点进行采样
  
• 每种类型的节点数相同，选择高频邻居
  
• 同类型的邻居放在一起，可以聚合邻居信息
  

二、C2节点异构内容的编码

同一个节点，也往往有多种类型的特征，如图像，文字等，文章提出先对这一类特征进行预训练，如类别特征直接利用one-hot，文本特征利用par2vec，图像特征利用CNN，训练得到每类特征的向量表示后，利用Bi-LSTM进行编码后聚合。

（简而言之就是两步：1.每个属性的embedding。2.多个属性的BILSTM聚合——不用考虑顺序）

好处：以往的方法是将不同的属性特征直接拼接，或者将其线性转换到一个向量中。本文是使用Bi-LSTM捕获深层次的特征交互信息，同时增强了模型的表达能力。

FC是用作维度统一化，将不同尺寸的数据转化成统一规格，双向的LSTM具体运用为：从左开始：LSTM{x0，x1，x2….xn},从右开始LSTM{xn,xn-1…..x2,x1,x0},两部分拼接起来得到一个输出；

论文中提到这种编码方式有以下3个优点：

• 结构简单，参数少，模型实现和微调相对容易；
  
• 可融合异质的内容/属性信息，表达能力强；
  
• 该模型易于扩展，并且可以添加其他属性。
  

三、C3聚合异质邻居的信息（两个过程分别做如下描述）

（1）同一类型邻居的聚合：same type neighbors aggregation

和feature aggregation方法相同。

（2）不同类型邻居的聚合：types combination

针对每种类型的节点进行了聚合，生成了∣ O V ∣个聚合向量，接下来要将它们再聚合起来。由于不同类型的邻居节点对学习到节点v最终的表示贡献度不同，所以使用注意力机制，为不同类型分配不同的注意力。

f1(v)是中心节点的content embedding.。

f2(v)是type embedding的聚合（绿色的框）

注意力参数a的计算方式为：

u∈R2d×1is the attention parameter

4.目标和模型训练

为了执行异构图表示学习，我们使用参数 Θ 定义了以下目标：

是一系列根据随机游走采样的一阶二阶的t类型的邻居节点，

定义如下：

由于分母计算困难，采用负采样，最终优化目标函数为

这部分我不是很懂，会在附录中仔细琢磨练习！ ！ ！

上式中的三元组基于图上的随机游走序列生成。大致过程为：生成异构图随机游走序列，基于一个序列选择节点v的正节点v_c，采样生成与v_c对应的节点v的负节点v_c’。

明确目标函数后，模型基于mini-batch的方式训练，优化器是Adam optimizer。不断地进行训练迭代，直至指标收敛为止。

5.实验

本部分仅分析实验结果，代码部分见后续博客更新。

代码中使用的学术图数据如下：

实验结果包括：

1.链接预测   2.推荐实验  3.节点分类和聚类  4.inductive的节点分类和聚类(分清直推式和归纳式的区别)，归纳式类似于监督学习，直推式指训练集和测试集的数据都出现在图网络中5.不同模块对实验结果的影响  6.超参数的设置对实验结果的影响

直推和感应：