异构图注意力网络
本文针对异构信息网络（HIN）的图表示学习进行了研究，并提出了一种新颖的基于异构图结构注意力神经网络（HetSANN）的方法，该方法在不需要领域专家设计元路径方案的情况下能够自动处理异构信息。实验证明，该方法相较于现有的 HIN 嵌入模型有显著和一致的提升。
Dec, 2019
提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络（HHGAT），在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。
Apr, 2024
本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。
Jul, 2022
本研究提出了一个基于 simplicial complex 的复杂语义表示方法：Simplicial Graph Attention Network (SGAT)，通过将非目标节点的特征放置在简单形上，表示非线性、高阶节点或边缘的交互作用，并使用注意机制和上邻接来生成表示。实验证明，与其他当前最先进的异构图学习方法相比，SGAT 在节点分类任务和提取结构信息方面表现更好。
Jul, 2022
本文提出了 HetTree，一种新颖的异构树图神经网络，以一种可扩展且有效的方式对图结构和异构性进行建模，通过构建一个语义树数据结构来捕捉元路径之间的层次关系，使用子树注意机制强调更有助于编码父子关系的元路径，并通过匹配相应的元路径仔细处理节点特征和标签，从而提供了更准确和丰富的信息
Feb, 2024
本文提出了一种可扩展的 Bi-Level Aufmerksamkeitsgraph-neuronale Struktur (BA-GNN)，该结构使用新的双层图注意机制，以从局部邻域上下文中层次化地注意来自本地邻域上下文的节点 - 节点和关系 - 关系交互，该方法用于有效建模多关系和多实体的大规模异构图。该方法被证明在七个真实世界的异构图上表现良好，并显示了学习到的关系 - 级别注意力的质量和可转移性，在提高其他 GNN 性能方面也得到应用。
Apr, 2023
本研究设计了一种新颖的图神经网络，通过自注意机制，优先适应不同的图的不同节点特征和拓扑结构，且考虑到正负权重和节点对称性，在处理同构和异构图分类任务上，相较于传统的图神经网络实现了最领先的性能。
May, 2023
本研究提出了一种新的分离异构图注意力网络 DisenHAN，可以从不同方面学习异构信息网络中的用户 / 项目表示，并使用高阶元关系分解元路径，聚合每个元关系的相应特征，以实现更好的推荐效果。
Jun, 2021
本文提出了一种新的框架，名为 HAGNN（Hybrid Aggregation for Heterogeneous GNNs），可以同时利用元路径邻居和直接相连邻居进行节点聚合来充分利用异构图中的异质性，通过在自身内部对齐和外部对齐两个阶段分别聚合结构语义信息和类型语义信息，获得了优于现有异构 GNN 模型的效果。
Jul, 2023