本文提出一种基于 (条件) 马尔科夫网络的框架，可以 effectively 地训练 probabilistic relational models，并使用近似概率推断对多个相关对象进行 collective classification，从而解决了先前方法的两个限制：有向模型无法表示许多重要的关系依赖性和难以用于判别式训练。在网页分类任务上的实验证明，建模关系依赖性可以显著提高分类准确性。

Dec, 2012

本文介绍了一种针对对称关系数据推理和预测的潜变量模型。该模型基于特征向量的加权内积将两个节点之间的关系表示出来，成为 “特征模型”。在三个真实数据集上的实验结果表明，“特征模型” 具有比其他两个模型更好或同等的外样本预测表现。

Nov, 2007

本文提出了一种基于层次贝叶斯模型的潜在变量模型，能更好地提取社交和生物学网络数据的结构关系并预测，相比只有一个层级的模型，本模型在预测性能上有显著的改进。

Jun, 2012

通过构建一个概率模型，该论文提出了一种新的关系推导框架，提高了在相关数据集上的推导分数；此外，该论文还提供了两个用于帮助未来研究的实用资源：一种改进的判定数据集框架和一个包含 17848 个标记实例的公共数据集，其标记的精度从 53％提高到了 95％。

Jul, 2019

该研究提出一种名为 “关系型协同过滤” 的推荐系统通用框架，通过利用多个项目间的关系 (meta-data, functionality 等) 并发展出一种两层次的层级注意机制来对用户偏好进行建模。对推荐任务进行联合训练，以保持项目之间的关系结构，该模型表现出了强大的性能表现。

Apr, 2019

本文提出了一种新的非参数贝叶斯多成员潜在特征模型，用来分析复杂网络中的潜在结构，并展示了其在提高潜在结构学习和压缩表示方面的优势。

Jan, 2011

本文提出了一种基于协作度量学习（Collaborative Metric Learning，CML）模型的层次模型，可以联合捕捉数据中的潜在用户 - 物品和物品 - 物品之间的关系，并在多个真实数据集上的推荐任务中表现出比现有模型更好的性能。

Jul, 2021

本文提出了一种高效的关系变分推断算法，用于将大规模概率混合物模型转化成简单的变分模型，以提高推理效率，并通过使用隐变量消去或抽样方式计算变分模型上的边缘概率。

Oct, 2012

通过使用通用模式和矩阵因式分解模型，同时处理文本和现有结构化数据库中的关系，以实现更精确的关系抽取。

Jan, 2013

本论文提出了一种贝叶斯概率方法，通过将二进制编码的各种节点属性纳入泊松似然的关系模型中，利用侧面信息来提高社区检测和链接预测的性能。该方法可以灵活地处理有向和无向关联网络，利用节点属性的稀疏性，通过高效的 Gibbs 采样实现推理。广泛实验证明，我们的模型实现了最先进的链接预测结果，尤其是在高度不完整的关系数据中。

Jun, 2017