异质图注意力不再只看路径两端：TAHAN把中间节点按类型分组，DBLP与IMDB分类均值领先
核心概要
异质图上的注意力聚合长期把节点类型当作静态标签，元路径聚合又容易忽略中间节点的语义贡献。TAHAN改为沿元路径前缀收集邻居，跨元路径与层级按节点类型合并，再用类型内注意力和类型间注意力两级融合。在DBLP与IMDB的节点分类上，它的Macro-F1与Micro-F1均值高于所列基线，IMDB两项提升经Holm校正后显著；ACM上则低于SeHGNN。
深度剖析
异质图上的邻居聚合现在按节点类型组织：同一类型下的邻居先各自打分，再由一层跨类型注意力决定各类型表示在最终节点向量中的比重。 此前的异质图注意力网络多以元路径为聚合通道，只关注路径端点类型之间的关系，路径中间经过的节点类型所携带的语义没有被单独利用。 在DBLP与IMDB的节点分类上，TAHAN的Macro-F1与Micro-F1均值高于表中所列基线，IMDB两项提升经Holm校正后p值小于0.001；在ACM上其均值比SeHGNN低0.75和0.86个百分点。
做法是把元路径当作收集邻居的路线，而不是彼此独立的聚合通道：沿每条元路径的每个前缀取到的节点，跨元路径、跨跳数按类型合并成若干类型专属邻域。 合并后每个目标节点、每种邻居类型共用一个采样预算，按度做伯努利保留，使每个类型期望保留不超过该预算的邻居，从而控制后续注意力的输入规模。 实验覆盖DBLP、IMDB、ACM、AMiner四个分类数据集，以及AMiner-Large、PubMed、LastFM，结果取10次独立随机种子运行的均值与标准差。
启示与展望
评估覆盖DBLP、IMDB、ACM、AMiner四个节点分类数据集，AMiner-Large上的大规模分类，以及PubMed与LastFM上的链接预测，全部实验在Toubkal超级计算机上完成。
合并会丢弃路径重数与邻居经由哪个前缀到达的信息，同一类型邻居在不同路径位置出现时只作为单个候选进入采样邻域；类型级softmax让各类型共享一份权重预算，一个类型权重升高会压缩其他类型。作者指出，消融在替换注意力时也改变了可训练参数，因此无法把加权的作用与模型容量的作用完全分开。