计算准确率 :param logits: tensor(N, C) 预测概率，N为样本数，C为类别数 :param labels: tensor(N) 正确标签 :return: float 准确率

设置Python, numpy, PyTorch的随机数种子 :param seed: int 随机数种子

计算Micro-F1和Macro-F1得分 :param logits: tensor(N, C) 预测概率，N为样本数，C为类别数 :param labels: tensor(N) 正确标签 :return: float, float Micro-F1和Macro-F1得

MAGNN层 :param metapaths: Dict[str, List[List[str]]] 顶点类型到其对应的元路径的映射，元路径表示为顶点类型列表 :param in_dim: int 输入特征维数 :param out_dim: in

HeCo模型 :param in_dims: List[int] 输入特征维数，in_dims[0]对应目标顶点 :param hidden_dim: int 隐含特征维数 :param feat_drop: float 输入特征dropout

R-HGNN模型 :param in_dims: Dict[str, int] 顶点类型到输入特征维数的映射 :param hidden_dim: int 顶点隐含特征维数 :param out_dim: int 顶点输出特征维数 :

返回指定的GPU设备 :param device: int GPU编号，-1表示CPU :return: torch.device

HetGNN模型 :param in_dim: int 输入特征维数 :param hidden_dim: int 隐含特征维数 :param ntypes: List[str] 顶点类型列表

HGT模型 :param in_dims: Dict[str, int] 顶点类型到输入特征维数的映射 :param hidden_dim: int 隐含特征维数 :param out_dim: int 输出特征维数 :param n

HGConv模型 :param in_dims: Dict[str, int] 顶点类型到输入特征维数的映射 :param hidden_dim: int 隐含特征维数 :param out_dim: int 输出特征维数 :para

:param g: DGLGraph 同构图 :param feat_src: tensor(N_src, K, d_out) 起点特征 :param feat_dst: tensor(N_dst, K, d_out) 终点特征 :r

将samples划分为训练集、测试集和验证集，需满足（用浮点数表示）： * 0 < train_size < 1 * 0 < val_size < 1 * train_size + val_size < 1 :param samples: list/ndarray

HAN模型 :param num_metapaths: int 元路径个数 :param in_dim: int 输入特征维数 :param hidden_dim: int 隐含特征维数 :param out_dim: int 输出特

计算图中每一条边的得分 s(u, v)=h(u)^T h(v) :param g: DGLGraph 异构图 :param h: Dict[str, tensor(N_i, d)] 顶点类型到顶点嵌入的映射 :return: tensor(A*E)

计算三元组得分 :param embed: tensor(N, d_hid) 顶点（实体）嵌入 :param triplets: (tensor(*), tensor(*), tensor(*)) 三元组(head, tail, relation)

返回自监督注意力损失（即连接预测损失）

返回异构图基于给定元路径的邻居组成的图，元路径实例作为边特征，如果元路径是对称的则返回的是同构图，否则是二分图。 与dgl.metapath_reachable_graph()的区别：如果两个顶点之间有多个元路径实例则在返回的图中有多条边 :param g: DGLGraph 异

将边类型列表表示的元路径转换为顶点类型列表。 例如：['ap', 'pc', 'cp', 'pa] -> ['a', 'p', 'c', 'p', 'a'] :param g: DGLGraph 异构图 :param metapath: List[str or (str,

用于KGCN的EdgeCollator :param user_item_graph: DGLGraph 用户-物品图 :param eids: tensor(E) 训练边id :param block_sampler: BlockSampler 邻

R-GCN层（用于异构图） :param in_dim: 输入特征维数 :param out_dim: 输出特征维数 :param rel_names: List[str] 关系名称 :param num_bases: int, op

知识图谱嵌入模型DistMult :param num_rels: int 关系个数 :param feat_dim: int 嵌入维数

“用户-物品”异构图 https://docs.dgl.ai/en/latest/guide/training.html#heterogeneous-graphs 顶点类型 ===== * user - 用户 * i

两层SuperGAT模型 :param in_dim: int 输入特征维数 :param hidden_dim: int 隐含特征维数 :param out_dim: int 输出特征维数 :param num_heads: int

SIGN模型 :param in_dim: int 输入特征维数 :param hidden_dim: int 隐含特征维数 :param out_dim: int 输出特征维数 :param num_hops: int 跳数r

提取电影类型作为标签，并删除其他类型的电影。

过滤掉不与学者关联的顶点和边

对关键词进行词形还原并去重

删除关键词中的停止词

将顶点id重置为0~n-1

给异构图的每种边添加反向边，返回新的异构图 :param g: DGLGraph 异构图 :return: DGLGraph 添加反向边之后的异构图

计算行归一化的D^(-1/2)AD(-1/2)

Correct步，修正基础预测中的误差 :param g: DGLGraph 无向图 :param labels: tensor(N, C) one-hot标签 :param base_pred: tensor(N, C) 基础预测

返回异构图中给定基于边类型的邻居。 :param g: DGLGraph 异构图 :param etype: (str, str, str) 规范边类型 :return: Dict[int, List[int]] 每个源顶点基于该类型的边的邻居

计算目标顶点的最终嵌入(z_mp) :param mgs: List[DGLGraph] 基于元路径的邻居图 :param feat: tensor(N_tgt, d_in) 目标顶点的输入特征 :return: tensor(N_tgt, d_hi