持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第4天，点击查看活动详情
Hello，非常感谢你的关注~ 我是机器学习与风控，一名末流985的本硕，无顶会、无大厂核心部门实习，拥有多个比赛的竞赛经历，秋招刷了leetcode500题，在秋招提前批中收获字节跳动，腾讯，阿里，美团等大厂offer，最终选择入职字节风控，从事与黑产对抗的工作。我会定期分享我的春招、秋招亲身求职体验；算法岗日常工作；数据挖掘比赛，经典图模型等日常学习等有料也有趣的内容~秋招到了，欢迎各位私信找我内推！ 在同构图表示学习技术迅猛发展的同时，异构图表示技术也有了发展。异构图
相比同构图拥有更多的信息，因此，异构图表示学习技术更多的是在同构图相关
技术上的改进。一大类的异构图方法关注于图的结构信息[10, 36, 37]，例如metapath2vec[
10] 使用基于元路径的随机游走策略学习节点表示。HERec[38] 通过对称
的元路径将异构网络转成了同构图后学习表示。由于图神经网络在同构图上取得
了先进效果，另一类异构图表示学习尝试在图神经网络的基础上进行改进。例如，
HAN[5] 使用预定义的元路径集来获得多视角图，然后在节点以及视角层面应用注
意力机制从每个视图中学习的节点表示。虽然HAN 度量了不同视角的重要性，但
是需要标签指导模型训练。DMGI[39] 在DGI 的基础上将互信息学习用到了异构
图上，其在将异构图转成多视角图的基础上使用注意力机制生产最终表示，虽然
DMGI 不需要标签信息，但是DMGI 关注于提取视角内的独特信息，没有去关注视
角间的一致性信息。对这些表示学习技术优缺点的梳理为本文后续主要工作提供
了动机。
异常检测在诸如网络流量监测，网络故障检测等领域已经有着广泛的研究[11,
40, 41]。相比于传统的关系型数据，图数据中的节点除了拥有丰富的属性信息外，
节点间也拥有着复杂的关系，因此传统的异常检测技术难以直接应用于图数据的
异常检测。通过上一节介绍的表示学习的方法，在利用图结构内部节点之间的关
系和属性信息获得的节点的低维的嵌入表示向量后，我们可以将这些向量直接用
于相应的异常检测任务。
