HybridGNN：多重异构网络中的混合表示学习

基于摘要分析。本文研究推荐系统中的多重异构网络表示学习，目标是在指定边类型（关系）下预测两个节点之间的潜在连接。作者提出端到端模型 HybridGNN，通过混合聚合流与分层注意力，同时利用关系内和跨关系信息，而非仅沿关系内的显式元路径聚合邻居。 机制上，HybridGNN 使用随机跨关系探索模块挖掘不同关系之间的信息，再将探索所得信息与关系内元路径对应的聚合流结合。分层注意力包含元路径级注意力和关系级注意力，用于刻画不同聚合流及关系的重要性。该方法依赖具有多种节点类型和边类型的图结构；具体监督目标、负样本构造、损失函数及随机探索策略尚未验证。 作者报告，在所开展的实验中，HybridGNN 相较若干当时的先进基线取得最佳表现。摘要未提供数据集、划分协议、评价指标或具体数值，因此无法判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务已具备有依据的多关系图，例如由不同频段或连接度量定义的关系，混合聚合与分层注意力可能用于检验跨关系信息是否具有互补性。可复用的是聚合与关系加权机制，需改造的是节点和边类型定义、图构建方式及面向 EEG 任务的预测头；推荐系统中的链路预测效果不能直接视为 BCI 解码效果。低信噪比可能使随机探索传播伪连接，跨被试、通道变化及小样本条件也可能造成关系权重不稳定。一个可证伪的小实验是：在固定 EEG 图构建与 Cross-subject 划分下，对比仅关系内聚合和加入跨关系探索的版本，检验后者能否稳定改善同一预设指标。已有相关 EEG 工作尚未检索确认。