1. Background & Motivation

现存的异质图神经网络往往都是通过meta-paths将异质图做成同质图：

使用meta-path的方法有2个缺点：

1. meta-path的scheme需要专家定义，而且很难手工遍历和选择所有有价值的meta-path schemes

2. （第二点我没搞懂啊，你这啥意思啊）

2. HetSANN

transformation + attention-based aggregation

2.1 Type-aware Attention Layer (TAL)

an adaptation layer of GNNs

在局部图邻居上做convolution operation

先在每个节点上加个自环（该节点类别）

Transformation Operation (C1)

对目标节点所有邻居做线性转换：

Aggregation of Neighborhood (C2)

每条边的注意力系数：

σ 是LeadkyReLU

concat product：

多头机制：

残差机制：

2.2 Model Training and Three Extensions

用节点表征做节点分类任务，交叉熵：

2.2.1 E1: Multi-task Learning

2.2.2 E2: Voices-sharing Product

大致来说是强制关系和反关系的attention系数相反、机制满足特定要求。

2.2.3 E3: Cycle-consistency Loss

灵感来源于翻译领域的trick back translation and reconciliation

就是说这个节点它transform一圈转回来还应该是它自己

实现细节略

3. 实验

细节略，待补。

3.1 数据集

3.2 baseline

3.3 实验设置

3.4 主实验结果和Ablation Study

3.5 其他模型分析

4. 代码复现

等我服务器好了再说。