:param gs: List[DGLGraph] 基于每条元路径的邻居组成的图 :param node_feat: tensor(N, d_in) 输入顶点特征，N为给定类型的顶点个数 :param edge_feat_name: str 元路径实

:param gs: Dict[str, List[DGLGraph]] 顶点类型到其对应的基于每条元路径的邻居组成的图的映射 :param node_feats: Dict[str, tensor(N_i, d_in)] 顶点类型到输入顶点特征的映射，N_i为对应

:param blocks: List[DGLBlock] 目标顶点类型对应的每条元路径的邻居组成的图(block) :param node_feats: Dict[str, tensor(N_i, d_in)] 所有顶点类型到输入顶点特征的映射，N_i为对应类型的

:param gs: Dict[str, List[DGLGraph]] 顶点类型到其对应的基于每条元路径的邻居组成的图的映射 :param node_feats: Dict[str, tensor(N_i, d_in)] 顶点类型到输入顶点特征的映射，N_i为对应

:param g: DGLGraph 邻居-目标顶点二分图 :param feat_src: tensor(N_src, d) 邻居顶点输入特征 :param feat_dst: tensor(N_dst, d) 目标顶点输入特征 :

:param h: tensor(N, M, d) 顶点基于不同元路径/类型的嵌入，N为顶点数，M为元路径/类型数 :return: tensor(N, d) 顶点的最终嵌入

:param bgs: List[DGLGraph] 各类型邻居到目标顶点的二分图 :param feats: List[tensor(N_i, d)] 输入顶点特征，feats[0]为目标顶点特征，feats[i]对应bgs[i-1] :retur

:param mgs: List[DGLGraph] 基于元路径的邻居图 :param feat: tensor(N, d) 输入顶点特征 :return: tensor(N, d) 输出顶点特征

:param z_sc: tensor(N, d) 目标顶点在网络结构视图下的嵌入 :param z_mp: tensor(N, d) 目标顶点在元路径视图下的嵌入 :param pos: tensor(N, N) 0-1张量，每个顶点的正样本

:param bgs: List[DGLGraph] 各类型邻居到目标顶点的二分图 :param mgs: List[DGLGraph] 基于元路径的邻居图 :param feats: List[tensor(N_i, d_in)] 输入顶点特征，f

:param g: DGLGraph :param x: tensor(N, d_in) 输入顶点特征，N为g的顶点数 :return: tensor(N, d_out) 输出顶点特征

计算Hits@n = #(rank_i <= n) / N 例如，predicts=[[2, 0, 1], [2, 1, 0], [1, 0, 2]], answers=[1, 2, 0], ranks=[3, 1, 2], Hits@2=2/3 :param n: int 要计

离线推断所有顶点的最终嵌入（不使用邻居采样） :param g: DGLGraph 异构图 :param feats: Dict[str, tensor(N_i, d_in_i)] 顶点类型到输入顶点特征的映射 :param device: torc

计算平均倒数排名(MRR) = sum(1 / rank_i) / N，如果答案不在预测结果中，则排名按∞计算 例如，predicts=[[2, 0, 1], [2, 1, 0], [1, 0, 2]], answers=[1, 2, 8], ranks=[3, 2, ∞], MR

计算NMI和ARI得分 :param logits: tensor(N, d) 预测概率，N为样本数 :param labels: tensor(N) 正确标签 :return: float, float NMI和ARI得分