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

本研究提出了一种超图神经网络 (HGNN) 框架，可以通过超图结构编码高阶数据相关性，并使用超边卷积操作处理数据相关性，以有效地进行数据表示学习。实验结果表明，HGNN 方法优于最新的最先进的方法，并且可以处理现实世界中的复杂数据和多模数据。

Sep, 2018

提出了一种名为 Seq-HyGAN 的超图注意力网络模型用于解决序列分类的挑战，并使用两级注意机制生成序列表示为超边，同时学习每个序列的关键子序列。实验结果表明，Seq-HyGAN 模型可以有效地分类序列数据并显着优于基线。

Mar, 2023

本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

Nov, 2019

本文介绍了一种新的框架，Blend&Grind-HGNN（BG-HGNN），该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题，其通过将不同关系融合到一个统一的特征空间中，在参数可管理的单一参数集的帮助下，得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明，BG-HGNN 在参数效率（高达 28.96 倍）、训练吞吐量（高达 8.12 倍）和准确性（高达 1.07 倍）方面显著超过了现有的 HGNN。

Mar, 2024

本研究提出了一种名为 “Semantic-aware Node Synthesis” 的方法，用于处理异质信息网络中少数类别节点的语义不平衡问题，并引入两种正则化方法以抑制合成节点的潜在噪声，从而更有效地进行表示和分类。实验结果表明，该方法在不同的基准数据集中的表现比现有方法都要优异。

Feb, 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

通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

Apr, 2024

该研究提出了一种新的双超图神经网络 (DualHGNN) 模型，它同时整合了超图结构学习和超图表示学习，通过利用多视图超图学习网络探索多个视角下的最优超图结构，并利用密度感知超图注意网络来探索基于密度感知机制的高阶语义相关性。在各种基准数据集上进行了广泛实验，并证明了该方法的有效性。

Jun, 2023

本文通过使用官方代码、数据集、设置和超参数，对 12 个最近的异质图神经网络进行了系统的复现，揭示了关于 HGNNs 进展的惊人发现。发现由于不当的设置，简单的同质 GNNs 被大大低估，GAT 在适当的输入情况下可以在各种情况下与或胜过所有现有的 HGNNs。为了促进鲁棒且可重复的 HGNN 研究，我们构建了异质图基准 (HGB)，其中包括具有三个任务的 11 个不同的数据集。HGB 规范了异质图数据分割、特征处理和性能评估的流程。最后，我们介绍了一个简单但非常强大的基准 Simple-HGN，它在 HGB 上明显优于所有先前的模型，以加速未来 HGNNs 的发展。

Dec, 2021