该论文提出了一种基于分层注意力机制的异构图神经网络，包括节点层次和语义层次的注意力机制，通过从元路径邻居中汇总特征来生成节点嵌入，其在三个真实的异构图上表现出优越性能且有助于图分析。

Mar, 2019

本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

Sep, 2023

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

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

本文介绍了一种新的基于自注意力机制的图神经网络 Hyper-SAGNN，可用于不同类型的超图及其不同的学习任务，包括各种基准网络数据集以及基因组学中的单细胞 Hi-C 数据集。该模型在传统任务上优于现有模型，在新任务 “outsider identification” 上表现优异。

Nov, 2019

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

通过引入生成自监督模型 SHAVA，本文提出了一种可以同时解决节点属性缺失、属性不准确和标签稀缺问题的方法，该方法在异构信息网络中构建了低维表示矩阵，并通过节点和属性的编码解码实现了节点属性的精细语义信息表达、属性重建和准确性纠正。实验结果表明，SHAVA 在处理具有缺失和不准确属性的异构信息网络方面具有优越性。

Nov, 2023

本文研究了如何将更丰富的结构分布用于深度神经网络中的嵌入式分类推理，通过两种不同的结构注意力网络：线性链条件随机场和基于图形的解析模型的实验，展示了这些结构的注意力网络超过了基线的注意力模型在各种合成和真实任务中的表现。

Feb, 2017

本研究提出了一种新颖动态异构网络嵌入方法，称为 DyHATR，在使用分层注意机制来学习异构信息的基础上，结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势，并在实际应用中得到了较好的表现。

Apr, 2020

我们研究了异构信息网络中节点属性的差异对于异构图神经网络的性能影响，提出了一种新颖的以属性为指导的 Transformer 模型 AGHINT，通过直接整合高阶相似的邻居特征并修改节点之间的信息传递机制来更有效地聚合邻居节点信息，实验结果表明 AGHINT 在节点分类任务上胜过了现有的最先进模型。

Apr, 2024