16、从异质图和动态图中学习：GNN的新进展

从异质图和动态图中学习：GNN的新进展

1. 异质图学习

在图神经网络（GNN）的应用中，异质图是一种包含不同类型节点和边的图结构，它能够更丰富地表示实体之间的各种关系。

1.1 异质图注意力网络（Heterogeneous GAT）

在异质图上进行学习时，异质图注意力网络（Heterogeneous GAT）是一种有效的方法。通过以下代码进行训练和测试：

loss = F.cross_entropy(out[mask], data['author'].y[mask])
loss.backward()
optimizer.step()
if epoch % 20 == 0:
    train_acc = test(data['author'].train_mask)
    val_acc = test(data['author'].val_mask)
    print(f'Epoch: {epoch:>3} | Train Loss: {loss:.4f} | Train Acc: {train_acc*100:.2f}% | Val Acc: {val_acc*100:.2f}%')
test_acc = test(data['author'].test_mask)
print(f'Test accuracy: {test_acc*100:.2f}%')

异质图注意力网络在测试集上达到了78.42%的准确率，相比同质版本有了5.13%的提升。

1.2 分层自注意力网络（HAN）

为了进一步提升性能，我