Graph Neural Networks (GNN / GAT): 解释异构图与关系图卷积（R-GCN）。

Core Concept: 异构图有多种节点/边类型；R-GCN 为每种关系用独立权重矩阵，参数随关系数增长，用基分解/块对角降参。

数学机理：<strong>同构 vs 异构图</strong>——同构图假设所有节点与边<strong>同质</strong>（同一类型）；但现实图常是<strong>异质</strong>的（知识图谱有多种实体与关系；推荐系统有用户/物品/类别/品牌；学术图有作者/论文/机构/会议）。在异构图上直接用同构 GNN 会把不同类型的信息混在一起（如把'作者-论文'与'论文-会议'的关系同等对待），丢失语义。<strong>R-GCN（Schlichtkrull 等 2018）</strong> 的解法：为<strong>每种关系 r</strong> 使用<strong>独立的权重矩阵 W_r</strong>：h_v^{(l+1)}=σ(W_0h_v^{(l)}+Σ_r Σ_{u∈N_r(v)} (1/c_{v,r})W_r h_u^{(l)})，其中 N_r(v) 是通过关系 r 连接的邻居、c_{v,r} 是归一化常数、W_0 是自连接权重。<strong>问题</strong>——参数量 ∝ <strong>关系数 × d²</strong>；知识图谱常有数百到数千种关系，故参数量爆炸且每种关系的训练样本稀疏（易过拟合）。<strong>降参方案</strong>：(a) <strong>基分解（basis decomposition）</strong>——把 W_r 表示为<strong>少量基矩阵的线性组合</strong>：W_r=Σ_{b=1}^{B} a_{rb}V_b，其中 V_b 是共享的基（B 个）、a_{rb} 是每种关系的系数；参数量从 R·d² 降到 B·d² + R·B（B≪R）；(b) <strong>块对角分解</strong>——把 W_r 限制为块对角矩阵（减少每关系的参数）；(c) <strong>共享 + 特定</strong>——部分权重共享、部分关系特定。<strong>实体分类/链接预测</strong>——R-GCN 主要用于 (a) 实体分类（给知识图谱的实体打标签）、(b) 链接预测（补全缺失的边，用编码器-解码器框架，解码器如 DistMult/ComplEx）。<strong>与知识图谱嵌入的关系</strong>——R-GCN 是'GNN 式'的 KG 方法（利用局部邻域结构），与'嵌入式'（TransE、RotatE、ComplEx，直接学习实体/关系的向量）互补；前者能利用节点特征、后者更轻量。

深度剖析与工程权衡：① <strong>'关系特定权重'是异构建模的核心</strong>——它让不同关系有不同的信息传播方式（如'作者-论文'与'论文-引用'的传播应不同）；这与'类型化的注意力'（如 HAN 的元路径注意力）是同一目标的不同实现。② <strong>基分解的直觉</strong>——它假设'不同关系的变换可由少量共享模式组合而成'（类似低秩假设）；这与 LoRA 的低秩思想相通（都是'用少量共享参数表达多任务'）。③ <strong>异构图在工业中的应用</strong>——推荐系统（用户-物品-类别-品牌-价格区间）、风控（用户-设备-IP-银行卡）、知识图谱（实体-关系）；这些场景中'关系类型'是关键语义，故异构 GNN（或带关系类型的注意力）是标配。④ <strong>元路径（meta-path）方法</strong>——除 R-GCN 外，另一主流是'元路径'（如 HAN）：先定义有语义的路径模式（作者-论文-作者），再沿路径做聚合；优点是语义清晰、可解释，缺点是需要人工设计元路径。⑤ <strong>与 LLM 的结合</strong>——近年有'用 LLM 处理图/知识图谱'的方向（把图结构转为文本、或用 LLM 做图推理）；但 LLM 对精确图结构（拓扑、路径）的处理仍弱于专门的 GNN，故'GNN + LLM'的混合是活跃方向。⑥ <strong>面试要点</strong>——被问'异构 GNN'，应给出'<strong>每种关系一个权重矩阵（R-GCN）+ 参数量 ∝ 关系数 → 基分解/块对角降参</strong>'，并说明'与元路径方法（HAN）的对比'与'工业场景（推荐/风控/KG）'；能联系到'LoRA 的低秩思想'是深度理解的标志。