本文提出了部分对齐的图卷积网络模型，旨在通过模型共享，正则化以及对齐重建等多种方法在多个图模型中学习节点表示，并在现实世界的知识图谱和协作网络中进行了广泛实验，证明了该方法在关系分类和链接预测等任务上的卓越表现。

Jun, 2021

网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。对真实世界图形的广泛实验提供了证据，支持所提方法的有效性和可扩展性。

Oct, 2023

本研究讨论了基于图编辑距离（GED）估计的图相似度计算（GSC）任务，提出了一种简单而强大的正则化技术，叫做对齐正则化（AReg），该技术通过在训练阶段为图神经网络（GNN）编码器施加节点 - 图对应约束来提高学习质量，并且在推理阶段，直接使用 GNN 编码器学习的图级表示来计算相似度得分，而无需再次使用 AReg 进行加速，同时还提出了一种多尺度 GED 鉴别器来增强学习表示的表达能力。实验证明了我们的方法的有效性、高效性和可迁移性。

Jun, 2024

本研究利用多视角方法来学习来自多个视角的图表征学习表示，提出了一个适用于网络规模推荐系统的多任务多视图图表征学习框架 (M2GRL)，在淘宝上进行了测试，结果表明，该框架在网址推荐方面的性能显著优于现有的算法。

May, 2020

本研究对 15 个数据集进行了 12 种度量方法的实验研究，其中涵盖了图的非线性降维和表示学习。结果显示，无论是在连接预测还是节点分类任务中，没有一种方法完全胜出。

May, 2019

本文提出一种基于关系感知的双图卷积神经网络（RDGCN），以通过知识图谱和其双重关系相互作用来整合关系信息，并进一步捕获邻近结构以学习更好的实体表示，以获取更好且更有效的跨语言实体对齐结果。

Aug, 2019

本文提出了一种使用图卷积神经网络（GCN）学习实体和关系表示的新颖联合学习框架，以改善实体对齐，并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明，我们的方法显著优于现有的实体对齐方法。

Sep, 2019

该论文提出了一种新颖的基于关系感知图注意力网络的框架，旨在捕捉实体和关系之间的交互，并通过全局对齐算法生成一个细粒度相似性矩阵，以实现多个知识图之间的实体对齐任务，实验结果表明，该框架的性能超过了现有的最先进方法。

Mar, 2021

本文提出了一种名为 G-CREWE（Graph CompREssion With Embedding）的框架，可以通过节点嵌入来解决网络对齐问题，并且采用 MERGE 压缩机制以提高效率和精度。实验表明，该方法比现有竞争方法快两倍以上，同时保持高准确性。

Jul, 2020

本文提出一种框架用于将不同的网络表示方法统一化，研究它们的有效性，经过一系列的实证研究表明，并没有一个单一的方法是最好的，选择一个适合的方法取决于嵌入方法的某些属性、任务和底层图的结构属性。

Mar, 2019