16、图神经网络：从异质图学习到动态图时间序列预测

图神经网络：从异质图学习到动态图时间序列预测

1. 异质图学习

1.1 异质图GAT测试结果

在异质图的学习中，我们首先使用异质图注意力网络（GAT）进行实验。通过训练和测试，得到测试准确率为78.42%，相较于同质版本有了5.13%的提升。以下是部分关键代码：

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}%')

1.2 分层自注意力网络（HAN）

为了进一步提升性能，我们引入分层自注意力网络（HAN）。HAN在两个不同层次使用自注意力机制：
- 节点级注意力 ：理解给定元路径中相邻节点的重要性，类似于同质环境中的GAT。
-