本文介绍了异构图神经网络（HGT）及其在动态异构图数据处理中的应用，提出了新框架CPGNN和Hetero$^2$Net，解决了传统图神经网络在异质性场景下的局限性。这些模型在节点分类任务中表现优越，具有重要的实际应用潜力。

本文介绍了CPGNN框架，旨在解决图神经网络中的异质性问题。研究表明，传统GCN在某些情况下优于新架构GNN，且同质性并非良好性能的必要条件。提出的Adaptive Channel Mixing框架通过自适应聚合和多样性提升了节点分类性能。此外，HiGNN结构利用节点邻居分布增强连接性，验证了整合异质性信息的有效性。最后，综述了异质图学习的最新进展及未来研究方向。