2.5 异构图上的消息传递

(中文版)

异构图（1.5 异构图），简称异构图，是包含不同类型节点和边的图。不同类型的节点和边通常具有不同类型的属性，这些属性旨在捕获每种节点和边类型的特征。在图神经网络的背景下，根据其复杂性，某些节点和边类型可能需要使用具有不同维度的表示进行建模。

异构图上的消息传递可以分为两部分：

  1. 针对每种关系 r 进行消息计算和聚合。

  2. 对每种节点类型，将来自所有关系的聚合结果进行归约。

DGL 在异构图上调用消息传递的接口是 multi_update_all()。multi_update_all() 接受一个字典，该字典使用关系作为键，包含每种关系内 update_all() 的参数，以及一个表示跨类型归约器（reducer）的字符串。归约器可以是 sum、min、max、mean、stack 中的一个。下面是一个示例：

import dgl.function as fn

for c_etype in G.canonical_etypes:
    srctype, etype, dsttype = c_etype
    Wh = self.weight[etype](feat_dict[srctype])
    # Save it in graph for message passing
    G.nodes[srctype].data['Wh_%s' % etype] = Wh
    # Specify per-relation message passing functions: (message_func, reduce_func).
    # Note that the results are saved to the same destination feature 'h', which
    # hints the type wise reducer for aggregation.
    funcs[etype] = (fn.copy_u('Wh_%s' % etype, 'm'), fn.mean('m', 'h'))
# Trigger message passing of multiple types.
G.multi_update_all(funcs, 'sum')
# return the updated node feature dictionary
return {ntype : G.nodes[ntype].data['h'] for ntype in G.ntypes}