利用机器学习和深度学习模型，结合资金指标、创始人特征和行业分类等多个因素，预测初创企业成功的目标里程碑，如首次公开募股 (IPO)、独角兽地位、并购成功。通过使用 Crunchbase 的历史数据进行模型回测，并评估模型在真实投资环境中的实用性，研究结果显示了这种深度学习模型和非结构化数据在预测初创企业成功方面的巨大潜力，并为未来的研究进展提供了奠基。

Sep, 2023

该研究介绍了一种创新的评估方法，利用先进的大型语言模型技术来评估初创企业中创始人与创意的匹配度，以增强决策能力。嵌入、自我演绎、思维树和基于批评的改进技术显示出初步的有希望的结果，每个创意的成功模式都是独特的，并且应该基于创始人的背景环境进行评估。

Dec, 2023

通过扩大和丰富数据源以及特征数量，利用机器学习模型对创业公司的公开数据进行预测，可较准确地预测公司是否能在未来一定时间内筹集到资金。

Dec, 2023

图基础模型（GFM）是图领域中一个新兴的研究课题，旨在发展一种能够概括不同图和任务的图模型。我们提出了一个新颖的视角 ——“图词汇表”，通过在图中编码基本可转移单元的不变性来建立图词汇表，从而解决在构建 GFM 中遇到的跨结构模式图之间正向传递的关键挑战，这一视角可以潜在地推进未来 GFM 设计遵循神经规模定律。

Feb, 2024

使用图神经网络结合节点回归和消息传递机制，结合收集训练数据的策略，在大规模电子商务数据中实现对有限标记样本的因果效应估计。

Mar, 2024

本研究研究了一种近期的模型类别，该类别使用图神经网络（GNN）来改进多元时间序列的预测，并提出了一种可微分参数化图形的模型，以提高预测质量，通过对四种不同模型进行比较，以及当禁用图形学习模块并提供基本关系时，我们对其行为进行了消融研究，根据我们的发现，我们提出了结合现有体系结构的新方法。

Sep, 2021

本文提出了基于图神经网络和元学习的 GME 模型，它可以快速学习如何为新广告 ID 生成理想的初始嵌入，并在真实数据集上展示了在冷启动和热身场景下 GME 大大改善了预测性能。

May, 2021

建立一个可以在不同图和任务中很好工作的图基础模型（GFM），通过统一的骨干结构近期引起了广泛关注。尽管文本空间的 GFM 存在巨大潜力，但目前的研究面临两个问题：缺乏统一问题设置的综合基准，以及缺乏足够的数据集来全面探索方法的潜力。为了解决这些问题，我们进行了综合基准的研究，并提供了新的文本空间数据集和全面的评估。实证结果提供了新的见解，并启发了未来的研究方向。

Jun, 2024

本文提出了一种基于神经网络和图增强的点击模型 (GraphCM)，通过在构造的同质图中提取查询和文档之间的信息，分别对吸引力评估器和考试预测器进行建模，通过组合功能将考试概率和吸引力评分融合到点击预测中，综合实验结果表明其在处理数据稀疏性和冷启动问题方面具有优越性能。

Jun, 2022

本文介绍了一种基于图的个性化模型方法，该方法结合了异构图神经网络（HGNN）和大型语言模型（LLM）来实现多类型物品的个性化推荐，并在一个真实的工业音频流平台上进行了严谨的测试和有效性验证。

Mar, 2024