一、新增图神经网络模型和数据集

• 新增门控注意力网络GaAN [UAI 2018]
• 新增考虑结构公平性的图对比学习模型GRADE [NeurIPS 2022]
• 新增将CNN架构推广到非欧式空间的模型GMM [CVPR 2017]
• 新增考虑节点的文本特征的无监督学习模型TADW [IJCAI 2015]
• 新增能够捕获长距离依赖的模型MGNNI [NeurIPS 2022]
• 新增考虑模型增强技巧的图对比学习模型MAGCL [AAAI 2023]
• 新增基于元路径随机游走的异质图表示学习模型MetaPath2Vec [KDD 2017]，HERec [TKDE 2018]
• 新增缓解异质图中语义混淆现象的模型HPN [TKDE 2021]
• 新增可解释的异质图注意力网络ieHGCN [TKDE 2021]

• 修改RGCN模型支持imdb数据集

• 新增异质图数据集AMiner

二、优化消息传递计算算子性能

• GammaGL下的sum拓展算子优化后，相比于原生算子效率提升了144%-3995%，并且随着数据规模的增大，效率提升越明显。
• GammaGL下的mean拓展算子优化后，相比于原生算子效率提升了600%-10745%，并且随着数据规模的增大，效率提升越明显。
• 优化后的sum和mean拓展算子的运行速度优于PyG的scatter_sum和scatter_mean。

三、完善架构设计

• 用户手册方面

  用户手册整体介绍了GammaGL算法库包含各个功能和模块。完善后的用户手册以简洁明了的方式呈现GammaGL算法库每一部分所包含的内容，使用户迅速了解算法库所包含的功能以及模型。使用链接：https://gammagl.readthedocs.io/en/latest/index.html。
• 算法库架构

  GammaGL整体架构使用pybind11进行重构，移除原始的cython开发模式。完善后的架构包括更多的高效数据结构（如sparsegraph)，高效的计算函数，后续的开发空间将更宽阔。
• 数据集使用方法优化

  GammaGL数据集使用方法进行优化，默认下载路径更换为~/.ggl，用户使用数据集时，可以不指定下载路径。此外，GammaGL增加缓存机制，用户更换下载路径后，无需重复下载，降低设备存储压力。

四、优化采样方法和third_party的支持

• 邻居采样

  我们重新设计了邻居采样方法，采用了基于edge-index的方法，取代了之前的sparse-graph的方法。这样的改进虽然在采样效率上没有提升，但是邻居采样方法的适配性更加广泛，代码示例可见：sampler（https://github.com/BUPT-GAMMA/GammaGL/tree/main/examples/sampler）。
• 负采样、边采样和子图采样

  我们在新版本中为CPU端引入了负采样、边采样和子图采样的功能。这些功能将帮助用户更好地处理大规模的图数据，提升算法的效率和性能。
• third_party的支持

  在新版本中我们引入了对第三方库parallel-hashmap（https://github.com/greg7mdp/parallel-hashmap）的支持，从而能够减少开发代码的工作量，使用户的想法能够快速地实现。
• 随机游走序列采样

  在新版本中优化了随机游走序列的采样方法，利用Numba库对采样过程进行加速，从而能够实现采样速率的提升。

五、未来计划

• 更多的图神经网络模型，数据集支持
• 推荐模型的训练和支持
• 增加tensorflow、paddle和mindspore后端下常用的消息传递算子
• 增加考虑连边特征的融合算子
• 增加对于cuda版本的支持
• 其他各方面的优化