本文介绍了多种图嵌入学习方法，如Metagraph、MAGNN、subgraph2vec和Graph2vec，旨在提升异构信息网络的节点嵌入能力。这些方法在链接预测、图分类和用户购买预测等任务中表现优于现有技术，显示出在多关系图神经网络和生物医学领域的应用潜力。

本文介绍了多种基于异构信息网络的推荐模型，如NIRec、HCDIR和HERec，旨在解决冷启动问题并提升推荐性能。这些模型通过探索节点互动、应用卷积学习和结合内容特征，在实验中表现出色，显著改善了推荐效果。

本研究提出了一种新的疾病诊断建模方法，基于异构信息网络，能够处理缺失值和异构数据，实现更准确的疾病诊断。实验结果显示该方法在诊断编码、疾病预测和临床事件相似性方面优于基准模型。

该研究提出了一种新的超图学习方法，用于异构信息网络中的节点分类。该方法使用超图捕捉节点之间的高阶关系和提取语义信息，并利用原型提升学习过程的稳健性。实验验证了该方法在三个真实世界的异构信息网络中的有效性。