HetCAN：具有双重层级感知的异质图级联注意力网络

异质图神经网络（HGNNs）近来在建模现实应用中普遍存在的异质图方面展现出令人印象深刻的性能。现有大多数异质图方法主要通过堆叠多个卷积或注意力层来学习节点嵌入，这可视为从节点层面捕捉高阶信息。然而，异质图中不同类型的节点具有多样特征，同样有必要捕捉节点特征间的交互，即特征层面的高阶信息。此外，多数方法先将节点特征映射至同一低维空间以对齐，但这可能丢失部分节点类型信息。为解决这些问题，本文提出一种由多个级联块组成的新型异质图级联注意力网络（HetCAN）。每个级联块包含两部分：类型感知编码器与维度感知编码器。具体而言，类型感知编码器弥补节点类型信息的损失，旨在充分利用图的异质性；维度感知编码器通过捕捉节点特征间交互来学习特征层面的高阶信息。借助这些组件，HetCAN 能在节点嵌入中全面编码节点特征、图异质性与图结构信息。大量实验证明了 HetCAN 相对于先进对比方法的优越性，并展现了其效率与鲁棒性。