15、从异构图中学习：理论与实践

从异构图中学习：理论与实践

在许多实际应用场景中，如推荐系统、社交网络和网络安全等，我们会遇到包含不同类型节点和边的图结构，这类图被称为异构图。与之相对的是同构图，它只包含一种类型的节点和一种类型的边。本文将深入探讨异构图的相关知识，包括消息传递神经网络框架、异构图的引入、将同构GNN转换为异构GNN等内容。

消息传递神经网络框架

在探索异构图之前，我们先回顾一下同构GNN的相关知识。在之前的学习中，我们了解到不同的GNN层通过聚合和组合不同节点的特征来工作。最简单的GNN层是将相邻节点（包括目标节点本身）的特征进行线性组合，并与权重矩阵相乘，然后用这个结果替换目标节点的嵌入。

GCN和GAT层在节点特征上添加了固定和动态的权重，但核心思想不变。即使是GraphSAGE的LSTM算子或GIN的最大聚合器，也没有改变GNN层的主要概念。我们可以将这些不同的GNN层归纳为一个通用的框架，即消息传递神经网络（MPNN或MP - GNN）。该框架由三个主要操作组成：
1. 消息 ：每个节点使用一个函数为每个邻居创建一个消息。这个消息可以仅仅是节点自身的特征，也可以考虑邻居节点的特征和边的特征。
2. 聚合 ：每个节点使用一个置换不变函数（如求和）来聚合来自邻居的消息。
3. 更新 ：每个节点使用一个函数来更新其特征，该函数将当前特征与聚合后的消息相结合。

这些步骤可以用一个方程来概括：
[h’ i = \gamma(h_i, \oplus {j \in \mathcal{N}(i)} \phi(