Hyperbolic Heterogeneous Graph Attention Networks

大多数之前的异构图嵌入模型将异构图中的元素表示为低维欧几里得空间中的向量表示。然而，由于异构图固有的复杂结构，例如分层结构或幂律结构，因此在欧几里得空间中表示它们可能会出现扭曲。为了克服这个限制，我们提出了超几何异构图注意力网络（HHGAT），它使用元路径实例在超几何空间中学习向量表示。我们在三个真实的异构图数据集上进行了实验，证明HHGAT在节点分类和聚类任务中优于最先进的异构图嵌入模型。

本篇论文旨在解决异构图嵌入中的欧几里得空间表示存在的失真问题，提出了一种在超伽马空间中学习向量表示的方法。

Hyperbolic Heterogeneous Graph Attention Networks (HHGAT)使用元路径实例在超伽马空间中学习向量表示，以解决异构图嵌入中的欧几里得空间表示存在的失真问题。

论文在三个真实的异构图数据集上进行了实验，证明了HHGAT在节点分类和聚类任务中优于现有的异构图嵌入模型。此外，论文还提供了开源代码，值得进一步研究。

与该论文相关的研究包括：《Heterogeneous Graph Attention Network》、《Representation Learning on Graphs with Jumping Knowledge Networks》等。