本文探索了数据密集型、基于图的计算在分布式内存系统上实现的挑战，并提出了两种高度调优的并行 BFS 方法，一种为基于简单的基于顶点的图分区的级同步策略，另一种为基于二维稀疏矩阵分区的方法，同时也介绍了具有节点内多线程的混合版本。

Apr, 2011

本文研究在亿级规模的图数据上，通过利用高效的图探索和大规模并行计算，建立在分布式内存上而非超线性索引的新型算法，达成对图数据库的有效子图匹配。

May, 2012

通过在用户空间 SSD 文件系统上实现图处理引擎，使用闪存硬盘并利用多核服务器的处理能力，FlashGraph 在半外部存储器中执行许多算法并表现出众，可表达各种图形算法及其优化。

Aug, 2014

本研究旨在探讨如何在当今大规模图形上开展可扩展性的图形处理，提出了一种新的图形坐标系统的设计空间，即通过将图嵌入到坐标空间的方式精确地近似节点距离，从而实现常数时间内的距离查询和最短路径查询，在 43 百万个节点的图中能提供更准确的结果，且可以很容易地扩展到定位节点对之间的最短路径，解决了大规模图形分析的难题。

Jul, 2011

通过针对机器学习中常见程序设计模式进行设计，使用 GraphLab 可以实现异步迭代算法的紧凑表达，同时保证数据一致性和高并行性能，将并行性能优化的提升应用于大规模实际问题中，并取得了很好的表现。

Aug, 2014

该论文提出了一种快速、并行的最大团算法，特别适用于求解大型稀疏图，具备线性运行时特性，并且采用巧妙的预剪枝和分支策略，通过核心数和启发式算法发现关键点，同时使用并行搜索树加速探索；应用该算法计算强时间连通性和压缩图。

Feb, 2013

我们提出了一种高度并行的算法，用于效放缩大处理器计数的图卷积网络的训练。我们利用图的顶点划分，在处理器之间使用非阻塞点对点通信操作以获得更好的可伸缩性。我们基于超图划分模型提出一种稀疏矩阵划分方案，展示了所提出算法在真实世界的图数据集上比替代解决方案实现了相当快的加速（包括在亿级图上的表现）。

Dec, 2022

GraphX 是一个分布式图计算框架，旨在统一图并行和数据并行计算，解决了构建图、修改结构和跨多个图表达计算的困难，评估结果显示在端到端图处理管道中表现优异。

Feb, 2014

我们提出了一种基于关键路径的线性聚类方法，利用机器学习数据流图中的并行路径来优化图的结构，从而加速串行执行速度，并在编译和运行时优于一些当前机制。

Aug, 2023

本研究提出了一种名为二进制分布式图形算法的方法，该方法使用二进制编码与图形结构相结合以加速在线和离线程序，并通过回忆更多二进制候选项来实现与实值场景中的性能相当，废除了单个机器内存和磁盘存储的限制，对超过 30 亿张图像的阿里巴巴商品数据集进行的实验比较表明，该方法优于现有技术的在线 / 离线平衡。

Feb, 2021