異質圖 是什麼？
Heterogeneous Graph：異質圖 的完整解釋
包含多種節點類型和邊類型的圖，其中不同類型的節點或邊具有不同的特徵和語義。
核心概念
異質圖形式上表示為 G = (V, E, T_V, T_E)，其中：
- V 是節點集合
- E 是邊集合
- T_V 是節點類型集合，|T_V| > 1
- T_E 是邊類型集合，|T_E| > 1
每個節點和邊都有一個類型標籤，指定其所屬的類型。同質圖是異質圖的特例，|T_V| = 1 且 |T_E| = 1。
異質圖比同質圖更富表現力，因為不同類型的節點和邊可以有完全不同的特徵維數、分佈和語義。但這也增加了學習的複雜性。
- 元路徑（Meta-path）是異質圖上的重要概念。元路徑是類型序列 t1 - t2 - ... - tk，表示沿著邊類型序列遍歷異質圖的路徑。例如，在學術網路中，元路徑 "作者 - 論文 - 作者" 表示「兩個作者發表過同一篇論文」的關係。元路徑捕捉了異質圖中的高階語義。
運作原理
類型感知的特徵表示：不同類型的節點可以有不同的特徵維數和表示。模型需要分別初始化和處理。
類型特定的消息傳遞：異質圖神經網路（HAN、HGT 等）修改消息傳遞機制以適應多種邊類型：
按邊類型聚合：對每種邊類型分別聚合消息，然後組合結果。 h_v^(l+1) = Combine({Aggregate_r(h_u^(l) : u∈N_r(v)) : r∈T_E}) 其中 N_r(v) 是通過邊類型 r 連接到 v 的鄰域，r 遍歷所有邊類型。
元路徑感知的聚合：沿著特定元路徑聚合信息，捕捉高階語義。 h_v = Σ_p weight_p * Aggregate_{meta-path=p}() 其中 p 遍歷不同的元路徑。
注意力權重：為不同的邊類型或元路徑分配不同的權重，指示它們對當前任務的重要程度。
時間動態（可選）：若異質圖隨時間演變（如社交網路的邊動態產生），需要時態異質圖神經網路（如 HGT 中的時間編碼）。
實際應用
推薦系統：二部圖（使用者-物品）是異質圖的常見形式。異質圖神經網路能同時學習使用者和物品的嵌入，改進推薦性能。騰訊、阿里巴巴等大型推薦系統應用此技術。
學術社群分析：在學術引用網路中，節點包括論文、作者、會議、機構，邊類型包括發表、引用、同作者等。異質圖神經網路能識別研究群體、追蹤學科演進、預測合作關係。
生物醫學知識發現：生物醫學知識圖譜包含基因、蛋白質、疾病、藥物等多種實體，邊代表不同的生物關係（相互作用、調控、關聯等）。異質 GNN 可預測新的基因-疾病關聯，加速藥物發現。
電商搜索和推薦：電商中的異質圖包含商品、類別、品牌、屬性等節點。異質 GNN 能理解複雜的商品關係，改進搜索排名和推薦結果。
社交媒體分析：社交平台的圖包含使用者、貼文、標籤、地點等節點類型。異質 GNN 能進行使用者分析、內容推薦、社群檢測等任務。
常見誤區
誤區一：異質圖可簡單轉化為同質圖。某些設計將異質圖的所有類型融合為同一表示。但這會丟失類型信息和語義區別，通常效果不佳。應用應保留異質性，根據類型分別處理。
誤區二：元路徑是異質圖的唯一重要結構。元路徑捕捉高階語義，但一階邊類型和節點類型本身也很重要。過度依賴元路徑而忽視基本結構會導致性能下降。
誤區三：異質圖神經網路會自動找到最重要的邊類型。即使模型有類型選擇機制（如注意力），在訓練數據不足時，也可能學不到正確的類型權重。需要領域知識和實驗驗證。
誤區四：所有類型都應平等對待。在某些應用中，某些類型的邊或節點比其他類型重要得多。應用設計應反映這些優先級，而非假設平等。
與相關技術的比較
同質圖神經網路：標準 GNN（GCN、GAT）設計用於同質圖。可透過節點類型編碼（embedding）轉化為同質 GNN 輸入，但損失了類型結構信息。異質 GNN 顯式處理多種類型，更自然高效。
知識圖譜嵌入：知識圖譜也是異質圖（實體和關係），但傳統 KGE 方法（TransE、RotatE）基於三元組評分，不直接利用圖的拓撲結構。異質 GNN 強調信息聚合和傳播，適合預測缺失邊和進行推理。
屬性圖：屬性圖包含節點屬性（特徵），異質圖區分節點類型。二者可結合（異質屬性圖），提供更豐富的表示能力。
超圖：超圖中邊可以連接多個節點（稱為超邊）。異質圖和超圖是正交的擴展，可結合得到異質超圖。