[Model] Add HCAN and D-HCAN

[C-C-T-W]

Description

本 PR 根据 ICDE 2025 论文 Effective and Scalable Heterogeneous Graph Neural Network Framework with Convolution-oriented Attention，为 OpenHGNN 增加 V-HCAN 和 D-HCAN。

Changes

• 新增 HCAN（V-HCAN），对应论文算法 1 和公式 (4)-(11)：
  • 节点类型特定的特征投影；
  • 0 到 K 跳非参数图卷积与类型特定 MLP；
  • 关系感知、多头 convolution-oriented attention；
  • counterweight payload 1 - gamma；
  • 高、低注意力各产生一半维度，拼接后按公式 (11) 与类型残差直接相加。
• 新增 DHCAN / D-HCAN，对应论文公式 (13)-(15)：
  • 枚举类型兼容的 K 跳关系序列；
  • 使用关系特定的行归一化均值传播生成通道；
  • 按原始点积分数归一化，并将中心节点计入 N_i*；
  • 对非零通道执行前馈投影、拼接和语义融合。
• 新增 D-HCAN 专用节点分类 trainer：在 CPU 上完成无梯度预计算，只缓存目标节点类型，并在 GPU 上按目标节点 batch 训练，避免 OGB-MAG 全图端到端训练显存溢出。
• 增加 HCAN/D-HCAN 配置、模型和 trainer 注册、模型文档及 README 索引。
• OGB-MAG 仅在 SeHGNN 被选择时执行 SeHGNN 专用预处理，避免其他模型触发无关的大规模稀疏矩阵构造。
• 节点分类流程支持按验证集 Micro_f1 等指标早停，V-HCAN 不再按损失选择 checkpoint。

Formula Correspondence

• V-HCAN 的关系均值传播、关系内 softmax、counterweight payload 和公式 (11) 输出维度均有针对性测试。
• D-HCAN 使用手算样例验证了公式 (13)-(15)，覆盖 K 跳卷积、中心节点、未经过 softmax 的原始分数归一化和注意力聚合。
• D-HCAN 的关系路径前缀会复用，目标类型缓存与完整缓存的输出经过等价性测试。

Verification

• 22 passed：

  python -m pytest -o addopts= tests/test_hcan_model.py tests/test_hcan_config.py tests/test_node_classification_early_stop.py -q

• python -m compileall 通过。

• git diff --cached --check 通过。

• 最终公式版 V-HCAN 在 HGBn-ACM 单次验证中得到 Macro-F1 96.30%、Micro-F1 96.13%，训练和早停流程正常。

• D-HCAN 已在完整 OGB-MAG 上完成单次大规模训练验证；batch_size=10000 时平均训练时间约 6.30 秒/轮，与论文表 VIII 的 5.89 秒/轮接近。

Reproduction Note

论文没有发布官方代码，也没有完整给出 D-HCAN 的隐藏维度、前馈网络深度、dropout、batch size，以及 OGB-MAG 无特征节点和反向关系的具体预处理方式。因此，本 PR 以论文公开的数学定义为实现依据，并保证公式级对应；对于论文未公开的工程细节采用 OpenHGNN 的现有数据处理方式和显式配置项，不声明默认配置可以逐项复现表 VIII 的五次运行均值。

在当前 OpenHGNN 预处理和已测试默认结构下，D-HCAN 的单次 OGB-MAG 准确率未达到论文表 VIII。该差异在 PR 中明确披露，不通过标签传播、多阶段训练或额外嵌入等论文未说明的技巧追数值。

Checklist

• PR 标题以 [Model] 开头
• V-HCAN 和 D-HCAN 实现完整
• 新增代码具有测试覆盖
• 已增加模型文档和 README 索引
• 不包含数据集、checkpoint、实验日志或服务器信息