具有附加信息的关系数据的深度生成模型
提出了一种基于概率框架的深度生成关系模型，通过高阶邻域结构信息建立了能够处理非线性映射的深层网络架构，并使用了 Dirichlet 随机变量结构的新型数据增强方法，使得在实际数据集中的链接预测表现得到了显著的提高。
Nov, 2019
本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。
May, 2019
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
本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习，提出一种新的深度生成模型和统计关系模型相结合的方法，并采用贝叶斯推断策略，采用快速（自然梯度）随机变分推断算法进行推断，实验结果显示该方法优于以往的基于众包的聚类方法。
Oct, 2018
本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。
Mar, 2018
使用层级 Gamma 过程无限边划分模型描述同配性和随机等价关系，可以发现重叠社区和社区间交互作用，并自动推断社区数量，实验结果表明其可扩展性和最先进性能。
Jan, 2015
本研究提出一种较为准确地进行关系建模和预测的方法，该方法使用了具有判别性的非参数潜在特征关系模型 (LFRM)，该模型使用概率推理，并将预测损失与贝叶斯模型的概率推理结合使用，并使用不同的规则参数来处理真实网络中不同类型链接的不平衡问题，同时对光滑的逻辑对数损失和分段线性铰链损失进行统一分析。
Dec, 2015
本文提出了一种基于潜在空间的统计模型，用于对社交网络、协作网络等观察到的具有时间动态的网络进行建模和分析，该模型可应用于社区检测和链路预测等任务，并与现有方法相比表现出更好的效果。
Feb, 2018
提出了一个能够动态调整邻居图的框架，它能够根据中间推理结果的状态和相互连接的结构属性来处理多关系数据，并根据中间推理结果使用不同数量的关系。将链接预测任务制定为对邻域图的推理，并包括初步结果来说明我们提出的框架中不同策略的影响。
Jul, 2016