简介：
现有的方法主要专注于具有单一类型节点/边缘的网络，并且不能灵活处理大型网络。许多真实世界的网络包括数十亿个节点和多种类型的边，每个节点与不同的属性相关联。本文提出了一种带属性多通道异构图网络，本网路结构可以支持transductive和indective的学习。
相关工作：
Transductive Model: GATNE-T：
此处，模型通过边的种类，学习节点在不同边聚类下的表达。采用的是graph sage的聚集方法。
然后把节点的所有边种类信息拼接起来，然后用self-attention进行聚合。
Inductive Model: GATNE-I：
为了解决一些节点之间边不存在的问题，通过节点的属性和节点的种类来对节点进行嵌入。
Meta-Random-walk:
对不同种类的边进行不同的游走，然后用负采样进行训练，最后用于节点预测。
