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

KGCN层 :param hidden_dim: int 隐含特征维数d :param aggregator: str 实体表示与邻居表示的组合方式：sum, concat, neighbor

In the constructor we instantiate two nn.Linear modules and assign them as member variables.

异构内容嵌入模块，针对一种顶点类型，将该类型顶点的多个输入特征编码为一个向量 :param in_dim: int 输入特征维数 :param hidden_dim: int 内容嵌入维数

邻居聚集模块，针对一种邻居类型t，将一个顶点的所有t类型邻居的内容嵌入向量聚集为一个向量 :param emb_dim: int 内容嵌入维数

类型组合模块，针对一种顶点类型，将该类型顶点的所有类型的邻居聚集嵌入组合为一个向量 :param emb_dim: int 邻居嵌入维数

GAT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: List[int]

按一定正样本边的比例采样负样本边的负采样器 :param neg_sample_ratio: float, optional 负样本边数量占正样本边数量的（大致）比例，默认为1

HGT注意力模块 :param out_dim: int 输出特征维数 :param num_heads: int 注意力头数K :param k_linear: nn.Linear(d_in, d_out) :param q_lin

HGT层 :param in_dim: int 输入特征维数 :param out_dim: int 输出特征维数 :param num_heads: int 注意力头数K :param ntypes: List[str] 顶点类型列

r"""相对时间编码 .. math:: Base(\Delta T, 2i) = \sin(\Delta T / 10000^{2i/d}) \\ Base(\Delta T, 2i+1) = \sin(\Delta T / 10000^{

语义层次的注意力，将顶点基于不同元路径的嵌入组合为最终嵌入 :param in_dim: 输入特征维数d_in，对应顶点层次注意力的输出维数 :param hidden_dim: 语义层次隐含特征维数d_hid

HAN层 :param num_metapaths: int 元路径个数 :param in_dim: int 输入特征维数 :param out_dim: int 输出特征维数 :param num_heads: int 注意力头数

R-GCN实体分类模型 :param num_nodes: Dict[str, int] 顶点类型到顶点数的映射 :param hidden_dim: int 隐含特征维数 :param out_dim: int 输出特征维数 :pa

R-GCN连接预测模型 :param num_nodes: int 顶点（实体）数 :param hidden_dim: int 隐含特征维数 :param num_rels: int 关系个数 :param num_

随机图数据集 :param num_nodes: int 顶点数 :param num_edges: int 边数 :param num_feats: int 顶点特征维数

标签传播模型 .. math:: Y^{(t+1)} = \\alpha D^{-1/2}AD^{-1/2}Y^{(t)} + (1-\\alpha)Y^{(t)} :param num_layers: int 传播层数 :

微观层次卷积 针对一种关系（边类型）R=<stype, etype, dtype>，聚集关系R下的邻居信息，得到关系R关于dtype类型顶点的表示 （特征转换矩阵和注意力向量是与顶点类型相关的，除此之外与GAT完全相同） :param out_di

宏观层次卷积 针对所有关系（边类型），将每种类型的顶点关联的所有关系关于该类型顶点的表示组合起来 :param out_dim: int 输出特征维数 :param num_heads: int 注意力头数K :param fc_n

HGConv层 :param in_dim: int 输入特征维数 :param out_dim: int 输出特征维数 :param num_heads: int 注意力头数K :param ntypes: List[str] 顶点

SuperGAT层，自监督任务是连接预测 :param in_dim: int 输入特征维数 :param out_dim: int 输出特征维数 :param num_heads: int 注意力头数K :param attn_ty

标签传播模型 .. math:: Y^{(t+1)} = \\alpha SY^{(t)} + (1-\\alpha)Y, Y^{(0)} = Y :param num_layers: int 传播层数 :param alp

C&S模型

特定关系的卷积 针对一种关系（边类型）R=<stype, etype, dtype>，聚集关系R下的邻居信息，得到dtype类型顶点在关系R下的表示， 注意力向量使用关系R的表示 :param out_dim: int 输出特征维数

跨关系消息传递 针对一种关系R=<stype, etype, dtype>，将dtype类型顶点在不同关系下的表示进行组合 :param out_dim: int 输出特征维数 :param num_heads: int 注意力头数K

关系混合 针对一种顶点类型，将该类型顶点在不同关系下的表示进行组合 :param node_hidden_dim: int 顶点隐含特征维数 :param rel_hidden_dim: int 关系隐含特征维数 :param nu

R-HGNN层 :param node_in_dim: int 顶点输入特征维数 :param node_out_dim: int 顶点输出特征维数 :param rel_in_dim: int 关系输入特征维数 :param rel

元路径内的聚集 针对一种顶点类型和 **一个** 首尾为该类型的元路径，将每个目标顶点所有给定元路径的实例编码为一个向量 :param in_dim: int 输入特征维数 :param out_dim: int 输出特征维数 :p

元路径间的聚集 针对一种顶点类型和所有首尾为该类型的元路径，将每个顶点关于所有元路径的嵌入组合起来 :param in_dim: int 顶点关于元路径的嵌入维数（对应元路径内的聚集模块的输出维数） :param attn_hidden_dim:

特定顶点类型的MAGNN层 针对一种顶点类型和所有首尾为该类型的元路径，分别对每条元路径做元路径内的聚集，之后做元路径间的聚集 :param num_metapaths: int 元路径个数 :param in_dim: int 输入特征维数

使用minibatch训练的MAGNN模型，由特征转换、一个MAGNN层和输出层组成。 仅针对目标顶点类型及其对应的元路径计算嵌入，其他顶点类型仅使用输入特征 :param ntype: str 目标顶点类型 :param metapaths: L

多层MAGNN模型，由特征转换、多个MAGNN层和输出层组成。 :param num_layers: int MAGNN层数 :param metapaths: Dict[str, List[List[str]]] 顶点类型到元路径列表的映射，元路径表示为顶点类型列

HeCo作者代码中使用的GAT :param hidden_dim: int 隐含特征维数 :param attn_drop: float 注意力dropout :param negative_slope: float, optional Leaky

语义层次的注意力 :param hidden_dim: int 隐含特征维数 :param attn_drop: float 注意力dropout

网络结构视图编码器 :param hidden_dim: int 隐含特征维数 :param attn_drop: float 注意力dropout :param neighbor_sizes: List[int] 各邻居类型的采样个数，长度为邻居类

元路径视图编码器 :param num_metapaths: int 元路径数量M :param hidden_dim: int 隐含特征维数 :param attn_drop: float 注意力dropout

对比损失模块 :param hidden_dim: int 隐含特征维数 :param tau: float 温度参数 :param lambda_: float 0~1之间，网络结构视图损失的系数（元路径视图损失的系数为1-λ）