Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning

1.基本概念

• Heterogeneous Information Network（异构信息网络）
  分别表示节点集合，连接关系集合，节点类型集合，连接关系类型集合，节点类型映射，连接关系类型映射。例如图中三种类型的节点（author，paper，subject），两种连接关系类型（write，belong to）

• Network schema（网络模式）
  相当于对异构图的一个抽象表示，以节点类型集合作为新的图顶点集，连接关系集合作为边集合，形成了网络概要模式。用于描述不同节点之间的直接连接关系，捕获局部结构

• meta-path（元路径）
  不同的元路径表示不同的语义，例如PAP（表达两篇文章由同一作者所写），PSP（描述两篇文章属于同一个学科），捕获高阶结构。给定一个元路径，每个节点有很多基于元路径的邻居节点
  

• self-supervised
  数据不用打标签，从数据本身寻找监督信号，原先损失函数定义为预测值和标签的交叉熵（学习的目标是使预测值和真实值尽可能接近），现在定义损失不用数据标签，而是从数据本身的监督信息出发（学习的目标是）

• contrastive learning
  一种典型的自监督学习方法，从数据中提取正样本和负样本，学习的目标是最大化与正样本的相似性，最小化与负样本的相似性

• self-supervised 和 supervised的区别
  监督式的训练数据需要有lable，学习的目标是使模型的预测值和真实的label尽可能接近（损失函数常使用交叉熵来衡量这种相似性），自监督学习不用label，而是从数据中自己提取监督信号，优化目标根据提取的自监督信号来定义，本质一样，区别只是损失函数的定义上

2.文章创新点

• 传统的HGNN（Het