1. Background & Motivation
现存的异质图神经网络往往都是通过meta-paths将异质图做成同质图：
使用meta-path的方法有2个缺点：
- meta-path的scheme需要专家定义，而且很难手工遍历和选择所有有价值的meta-path schemes
- （第二点我没搞懂啊，你这啥意思啊）
2. HetSANN
transformation + attention-based aggregation
2.1 Type-aware Attention Layer (TAL)
an adaptation layer of GNNs
在局部图邻居上做convolution operation
先在每个节点上加个自环（该节点类别）
Transformation Operation (C1)
对目标节点所有邻居做线性转换：
Aggregation of Neighborhood (C2)
每条边的注意力系数：
σ 是LeadkyReLU
concat product：
多头机制：
残差机制：
2.2 Model Training and Three Extensions
用节点表征做节点分类任务，交叉熵：
2.2.1 E1: Multi-task Learning
2.2.2 E2: Voices-sharing Product
大致来说是强制关系和反关系的attention系数相反、机制满足特定要求。
2.2.3 E3: Cycle-consistency Loss
灵感来源于翻译领域的trick back translation and reconciliation
就是说这个节点它transform一圈转回来还应该是它自己
实现细节略
3. 实验
细节略，待补。
3.1 数据集
3.2 baseline
3.3 实验设置
3.4 主实验结果和Ablation Study
3.5 其他模型分析
4. 代码复现
等我服务器好了再说。
