为了提升供应链透明度与韧性，本研究采用知识图谱连接多种数据源，以达到三级供应商的透明度。通过知识图谱完善方法，预测供应网络中的空缺信息，同时应用图分析算法，识别关键实体，支持供应链管理自动化风险识别。

May, 2023

应用图神经网络（GNN）到供应链网络的研究领域是相对缺失的，而本研究提出了一个用于时间任务的真实基准数据集，可以通过图神经网络来解决供应链规划等问题，从而推动供应链分析和规划领域的发展。

Jan, 2024

建立供应链风险评估模型以有效管理和缓解潜在风险的重要性逐渐增加，本文提出了一种基于层次化的知识可迁移图神经网络的供应链风险评估模型，通过图嵌入方法将供应链网络嵌入到基本产品网络中，解决了数据饥饿问题，实验证明该模型在实际供应链数据集上表现优异。

Nov, 2023

通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。

Sep, 2019

本文提出一种基于超网络结构的张量分解方法，用于实现知识图谱中链接预测任务，取得了比 ConvE 和所有以前的方法更好的性能表现，同时能够作为张量分解模型的一种简化（相比较于卷积神经网络方法）而得到推广。

Aug, 2018

本篇综述论文回顾了近期对动态图表示学习的研究进展，包括对动态知识图谱的研究，将现有模型从编码器 - 解码器的角度进行描述和分类，并分析了每个类别中采用的技术，同时还回顾了几个显著的应用和广泛使用的数据集，并突出了未来研究的方向。

May, 2019

本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

Apr, 2023

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

本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。

Sep, 2017

本文概述了图表示学习的关键概念与相关领域，并指出了图表示学习在交通预测、社交网络分析、推荐系统、药物研发等应用领域中的重要性，以及与图表示学习相关的机器学习应用领域。

Jan, 2023