本文复现了12个异质图神经网络（HGNN），发现简单的同质GNN被低估，GAT在适当条件下表现优异。构建了异质图基准（HGB），规范数据处理流程，并提出了Simple-HGN基准，显著优于现有模型，推动HGNN研究发展。

本文探讨了异质图神经网络（HGNN）的异质性问题，提出了Hetero$^2$Net模型，通过蒙版元路径和标签预测任务有效处理异质图。研究表明，该模型在半监督节点分类任务中优于传统模型。

通过复现12个异质图神经网络的实验，发现简单的同质GNNs被低估，GAT在适当的输入情况下可以胜过所有HGNNs。构建了异质图基准HGB，包括11个不同数据集，以促进HGNN研究。介绍了一个强大的基准Simple-HGN，在HGB上优于先前模型，加速未来HGNNs的发展。

通过复现12个异质图神经网络的实验，发现简单的同质GNNs被低估，GAT在适当的输入情况下可以胜过所有HGNNs。构建了异质图基准HGB，包括11个不同数据集，以促进HGNN研究。介绍了一个强大的基准Simple-HGN，在HGB上优于先前模型，加速未来HGNNs的发展。

该研究提出了一种新的异质图神经网络Hetero^2Net，通过蒙版元路径预测和蒙版标签预测任务，有效地处理同质性和异质性异质图。在五个真实异质图基准上评估了Hetero^2Net的性能，结果表明其在半监督节点分类任务中优于强基线模型。

本文复现了12个异质图神经网络，发现GAT在适当的输入情况下可以在各种情况下与或胜过所有现有的HGNNs。构建了异质图基准(HGB)，其中包括11个不同的数据集，以促进鲁棒且可重复的HGNN研究。介绍了一个简单但非常强大的基准Simple-HGN，它在HGB上明显优于所有先前的模型，以加速未来HGNNs的发展。