【SIGIR2022】Space4HGNN:一种新型、模块化和可复制的异构图神经网络评估平台

题目：Space4HGNN: A Novel, Modularized and Reproducible Platform to Evaluate Heterogeneous Graph Neural Network (Reproducibility Track) 作者：Tianyu Zhao, Cheng Yang, Yibo Li, Quan Gan, Zhenyi Wang, Fengqi Liang, Huan Zhao, Yingxia Shao, Xiao Wang, Chuan Shi 论文链接： https://www.zhuanzhi.ai/paper/8fed738a8b89880903e32eabb0731cf5

简介：在信息检索中，异质图神经网络（HGNN）已经成功地应用在许多下游任务中，如推荐、知识表示等。各色的HGNN利用不同的设计思路挖掘异质图中的语义信息，使得我们还不能够准确地判断异质图神经网络中的哪些设计维度起到了关键作用。除此之外，在HGNN的研究社区中，实现并在不同任务上评测仍需大量的人力。并且，现有的研究主要从模型级别对不同的工作进行评测，使得研究者很难比较现有模型之间的本质区别以及提出新的模型。

在本文中，我们提出了统一的异质图神经网络框架，并定义了异质图神经网络的设计空间，为我们提供了模块级的视角来评测不同设计维度的影响，例如架构设计、设计原则以及设计的小技巧等。我们还提供了一个平台Space4HGNN，提供了模块级的组件、标准的评测以及可复现的HGNN。我们构建了大量的实验，全面地分析了HGNN，并提供了一些有趣的见解。研究者也可以通过Space4HGNN去找到更多有趣的发现，并设计鲁棒且可泛化的新模型。依据我们的分析，我们压缩了原始设计空间，并在最新的基准数据集HGB上进行了实验，表明了在压缩的设计空间仅需简单的随机搜索就能获得SOTA性能。