论文标题：Meta-GNN：Metagraph Neural Network for Semi-supervised learning in Attributed Heterogeneous Information Networks

作者：Aravind Sankar, Xinyang Zhang, Kevin Chen-Chuan Chang

单位：Department of Computer Science, University of Illinois, Urbana-Champaign, USA

论文链接：https://dl.acm.org/doi/pdf/10.1145/3341161.3342859

论文引用：Sankar A , Zhang X , Chang C C . Meta-GNN: metagraph neural network for semi-supervised learning in attributed heterogeneous information networks[C]// ASONAM '19: International Conference on Advances in Social Networks Analysis and Mining. 2019.

概述

难点

AHIN中的半监督学习相对于同构网络以及HIN更困难。例如：对DBLP中的作者进行分类，他的共同作者以及出版的期刊都是上下文节点(context nodes)，提供了相关性特征，在对作者分类时需要考虑进去。但是，这些上下文节点有不同的属性且发挥不同的作用：(a) 不同的节点类型（期刊<-->共同作者），(b) 同一节点类型但不同的结构取向（引用<->被引用）

作用

有了元图卷积，就可以有以下两个insights：

• 高阶语义局部性：元图(meta-graph)通过特定的子结构指定语义关系，提供了一个框架用于捕获高阶语义局部性（非直接邻居），例如通过共同作者这种关系（类似于元路径，meta-path）
• 准确的语义角色：根据本地上下文节点的节点类型和结构连接模式对其进行准确的语义角色识别，例如共同作者和出版期刊

论文贡献

• 利用元图来定义关注的节点的局部上下文(local context)或感受野(receptive field)，以此介绍了一种新颖的用于AHIN(Attributed Heterogeneous Information Networds)的图卷积
• 提出新颖的神经结构——Meta-GNN，用到了多层元图卷积层，使用注意力机制来学习每个节点个性化的元图权重
• 在多个真实数据集进行实验，证明Meta-GNN的有效性

定义

AHIN

即属性异构信息网络，Attributed-HIN。图的基本表示是，而AHIN带有属性，那么表示为，其中就是属性矩阵，维（表示图中几点的数量，表示属性的维度）。由于有不同类型的节点，而每个节点类型可能属于不同的特征空间，因此作者将所有类型的特征连接起来，用零填充不属于这个数据类型的特征。

meta-graph

熟悉HIN的同学一定知道meta-path，meta-graph和meta-path的概念很像，但是meta-path与meta-graph不同在于前者从起点到终点只能存在一条路径，而后者可以存在多条路径。我们看图1，1(a)中的可以看作是一个meta-path，也就是说meta-path是meta-graph的一个特例。

作者给出了meta-graph的数学描述：

Definition: A metagraph   with target node , context  node is defined as with node type mapping   where is the set of nodes with , is the set of links and is the set of auxiliary nodes.

未完待续