HOPE and HOPE+ are efficient solutions for k-Bipartite Graph Clustering that achieve state-of-the-art performance on large-scale bipartite graphs, providing high scalability, effectiveness, and superior clustering accuracy within a short runtime.

Dec, 2023

本文提出了一种基于项目投影的共同聚类算法，以解决处理双向图时向量空间模型表现的问题。通过在聚类检索任务中测试，该算法能够产生平衡良好的聚类和相关项目，并导致高的检索得分。

Sep, 2021

本文提出了一种新的深度超网络嵌入模型，采用非线性元组相似函数保持超网络中的本地和全局相似性，并且在 GPS 网络、在线社交网络、药物网络和语义网络上的实验结果表明，该方法能够显著且持续地优于现有算法。

Nov, 2017

本文提出了一种从不受敏感结点影响的无偏图学习结点嵌入的新方法，实现无偏图嵌入的两种方法通过理论和实验的对比表明其有效性。

Oct, 2021

论文提出了一种基于图神经网络的异构超图表示学习框架，利用小波基于局部超图卷积来表征多种非成对关系，并通过广泛的实验表明该方法优于其他方法，在垃圾邮件检测等任务中也有显著的优势。

Oct, 2020

本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

May, 2019

本文探讨如何通过建立高阶社交关系来影响用户选择，提高物品推荐的性能，所提出的 “高阶社交推荐器”(HOSR) 模型通过直接因素化社交关系，将间接影响融入预测模型，通过在社交网络中递归地 “传播” 嵌入，有效地注入了高阶邻居的影响，实证结果表明，HOSR 明显优于基于图形正则化的推荐系统 NSCR 和 IF-BPR + 以及基于图形卷积网络的社交影响预测模型 DeepInf，实现了这一任务的最新技术成果。

Mar, 2020

提出了一种协作相似度嵌入模型（CSE），该模型利用了用户 - 项目二分图中可用的全面协作关系，用于表示学习和推荐，通过直接接触和 k - 阶邻域接近度学习用户 - 项目关联，并且针对性地设计了一种采样技术来捕捉这两种不同类型的接近度关系。在 8 个基准数据集上进行的广泛实验证明 CSE 优于最先进的推荐方法。

Feb, 2019

介绍了一种名为 HOGE 的框架，用于捕捉使用细胞复合体建模的高阶结构，可用于解释图神经网络的预测，并在实际应用中达到更清晰和更准确的解释。

Jun, 2024

本研究探讨了在网络扰动（尤其是边缘删除）的情况下，图嵌入方法在社区检测中的鲁棒性。通过对合成和真实网络进行的实验证明了不同家族的图嵌入方法的不同程度的鲁棒性，发现网络大小、初始社区划分强度和扰动类型等因素对鲁棒性的影响。值得注意的是，node2vec 和 LLE 方法在各种不同情况下，包括度和社区大小异质性网络中，一致表现出更高的社区检测鲁棒性。这些发现强调了根据网络的特性和任务的具体要求选择合适的图嵌入方法的重要性，尤其是在鲁棒性对扰动至关重要的情况下。

May, 2024