HypergraphNeuralNetworks1.Abstract提出了一个用于数据表示学习的超图神经网络（HGNN）框架，它可以在超图结构中编码高阶数据相关性。面对在实际实践中学习复杂数据表示的挑战，我们建议将这种数据结构合并到超图中，这在数据建模上更加灵活，特别是在处理复杂数据时。该方法设计了一种超边卷积操作来处理表示学习过程中的数据相关性。这样，传统的超图学习过程就可以有效地使用超边卷积运算来进行。HGNN能够学习考虑高阶数据结构的隐藏层表示，这是一个考虑复杂数据相关性的通用框架。我们进行了引文网络分类和视觉目标识别任务的实验，并将HGNN与图卷积网络等传统方法进行了比较。实验结果表明

1.超图基础概念传统的图网络结构，两点之间就可以引入一条边链接；但在某些特定的领域，一条边可能链接的不止两个点，我们便引入了超图比如：同一个班级，一个班级可以连接很多个学生；一个IP下有很多个用户，我们可以用超边来表示这个班级或这个IP；一个超图可以拥有任意数量的节点，如果所有超边都连接两个节点那么就退化为简单图；2.多模态的超图构建面对多模态的场景：可以做视觉连接，文本连接和社交连接，所以将这些放入到超图结构中去解决的时候会比简单图简单很多那么，多模态数据下如何构建超图如何利用算法去求得节点特征的呢？group1group1group1是一个模态的超图，groupNgroupNgroupN是

1.超图基础概念传统的图网络结构，两点之间就可以引入一条边链接；但在某些特定的领域，一条边可能链接的不止两个点，我们便引入了超图比如：同一个班级，一个班级可以连接很多个学生；一个IP下有很多个用户，我们可以用超边来表示这个班级或这个IP；一个超图可以拥有任意数量的节点，如果所有超边都连接两个节点那么就退化为简单图；2.多模态的超图构建面对多模态的场景：可以做视觉连接，文本连接和社交连接，所以将这些放入到超图结构中去解决的时候会比简单图简单很多那么，多模态数据下如何构建超图如何利用算法去求得节点特征的呢？group1group1group1是一个模态的超图，groupNgroupNgroupN是