论文地址：https://arxiv.org/abs/1911.06455
实现代码地址：https://github.com/ seongjunyun/Graph_Transformer_Networks
看分享之前可以把论文读一遍，代码看一看，这样必定会事半功倍！
### 论文目的是通过构造GTN(Graph Transformer Networks)，来学习到异构网络中有效的节点表示。
### 其他现有方法（GNNs）的缺点：
1. 对于异构图，由于GNN只用于处理同构图，因此效果不好。
2. 一种简单的处理方法就是忽略类型，缺点就是无法获取到类型信息。
3. 手动设计一个meta-path，例如，将异构图转化由meta-path定义的同构图，然后使用GNN进行操作。方法的缺点是：对于每一个问题都需要单独的手工设计meta-path；并且最终效果受到选择meta-path的影响；meta-path的选择需要对应领域知识。
### 整体框架
1. meta-path的表示：
一条路径：，则= *
#### 卷积层
代码：
A 的size：
W的size：
#### GT层
在GT层中，使用了类似于stack的结构
代码
解决meta-path长度随层数的增加而增加问题：
### GTN
代码
gcn_conv:
#### 实验
将模型生成的meta-path同预定义的meta-path相比较：
meta-path有效性
### 本文的亮点
1. 不需要领域知识，不需要手动设置meta-path，GTN通过候选邻接矩阵来定义有效的meta-paths。
2. 可扩展性强。
