【GNN笔记】Graph Transform Network（八）

视频链接：《【图神经网络】GNN从入门到精通》

GTN:基于异构图，进行任务转换的方法

HAN 通过将异构图转换为由元路径 构造的齐次图来学习图表示学习。但是，这些方法由领域专家手动选择元路径 ，因此可能无法捕获每个问题的所有有意义的关系。同样，元路径的选择也会显着影响
性能。与这些方法不同，我们的Graph Transformer Networks可以在异构图上运行并为任务转换图，同时以端到端的方式学习转换图上的节点的表示形式。

在本文中，我们提出了能够生成新图结构的Graph Transformer Network（GTN），其中包括识别原始图上未连接节点之间的有用连接，同时在端到端学习新图上的有效节点表示形式。

一定义

1.1 异构图的邻接矩阵

增添的概念：节点类型的集合，连类型的集合
并以ACM网址的文献集合为案例。

1.2 节点的特征构建

同样以ACM数据集为例，其含有节点3种类型：Paper,Author,Subject.对于每种节点如何用特征表示呢？在前面我们看到总的特征表示$X\in {\mathbb{R}}^{N\times D}$,可以获得提示：对每种类型的节点的特征表示要求维度一致。统一的尺度方便我们后续的model操作。

注意到：这里的组合方式是可以根据任务来自定义的：max_pooling,mean,min,等等。

1.3 分块矩阵的物理含义

借鉴分块矩阵的乘法来自动 组合多种 元路径。

二、算法流程

2.1 多组meta-path

${\mathcal{T}}^e=\{PA,AP,PS,SP\}$,会产生的 meta-path 为：

• PAP=PA*AP,获得矩阵的shape=[P,P]=[3025,3025]
• PAS=PA*AS,获得矩阵的shape=[P,S]=[3025,56]
• APA=AP*PA,获得矩阵的shape=[A,A]=[5835,5835]
• APS=AP*PS,获得矩阵的shape=[A,S]=[5835,56]