本文提出了一种面向具有属性的多重网络的简单而有效的无监督网络嵌入方法DMGI，利用深度图最大化(DGI)的思想来最大化图的局部信息和全局表示，与关系类型的特定节点嵌入之间的差异，处理多种关系类型的节点之间的差异性，并使用注意机制来过滤不必要的关系类型，经实验证明DMGI的性能优于现有的最先进方法。

Nov, 2019

提出了一种新的叫做元路径聚合图神经网络（MAGNN）的模型来解决异构图嵌入中节点内容特征、中间节点和元路径的问题，并在三个真实异构图数据集上进行了实验，证明了MAGNN比现有基线模型具有更准确的预测结果。

Feb, 2020

本文提出了一种新的异质图卷积方法HGConv，它能够在不同层面上直接进行卷积操作，以学习全面的节点表示，并具有良好的可解释性。在各种任务中的实验结果表明，HGConv不仅优于现有方法，而且对于图形分析具有直观的可解释性。

Dec, 2020

本文提出了一种无监督的Dual HyperGraph Convolutional Network (DualHGCN)模型，通过将多重二分网络转化为两组同质超图，并使用谱超图卷积算子以及内部和跨域间的信息传递策略来学习有效的节点嵌入，对四个真实数据集进行基准测试，展示了 DualHGCN 显著优于现有最先进方法，并且对不同的稀疏水平和不平衡节点分布具有鲁棒性。

Feb, 2021

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

提出了一种基于关系聚合和卷积 (PC-HGN) 的异构图神经网络模型，它可以进行关系特定的采样和跨关系卷积，从而更好地将图的结构异质性编码到嵌入空间中，与其他现有的图学习模型相比，其性能得到了最大17.8％的提升。

Oct, 2022

本篇论文主要介绍了一种基于AMOGCN的异构图神经网络，该方法可以学习具有区分度的节点嵌入和关系，并能够自动地构建元路径来影响嵌入的质量，从而提高半监督分类性能。

Apr, 2023

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

利用元路径识别异质图中的异质性并提出了两个度量方法来定量描述异质性水平，在多个具有不同异质性水平的真实异质图上进行了深入研究，观察到继承自处理同质图的图神经网络对异质图的异质性或同质性较低的泛化能力有限。为解决这一挑战，提出了一种新的异质图神经网络 Hetero$^2$Net，通过蒙版元路径预测和蒙版标签预测任务，有效且灵活地处理同质性和异质性异质图，在五个具有不同异质性水平的真实异质图基准上评估了 Hetero$^2$Net 的性能，结果表明 Hetero$^2$Net 在半监督节点分类任务中优于强基线模型, 为有效处理更复杂的异质图提供了有价值的见解。

Oct, 2023

HeteroMILE是一种可以使得当代图嵌入方法适应大型图的通用方法，在保持骨干结构的同时将大尺寸图编织成较小尺寸以减少计算成本，并且在链接预测和节点分类方面产生更好质量的嵌入。

Mar, 2024