本文提出了第一个归纳式的超几何图卷积神经网络 (HGCN)，它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示，并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明，HGCN 学习到的嵌入保留了分层结构，并且与欧几里得模型相比，即使具有非常低的维度嵌入，也能获得更好的性能：在链路预测中，ROC AUC 误差降低最多为 63.1％，在节点分类中，F1 score 提高最多为 47.5％，也改善了 Pubmed 数据集的最新技术水平。

Oct, 2019

本文提出了一种直接在超伪球面上进行图卷积运算的超伪球面图卷积网络（H2H-GCN），该网络采用保流形图卷积和 Einstein 中点算法来保留全局的超伪球面结构。在链接预测、节点分类和图分类任务中均实现了显著的性能提升。

Apr, 2021

本文对当前超伽马线图神经网络的技术细节进行了全面的回顾，并将它们统一到一个通用框架中，并总结了每个组件的变体和相关应用，并提出了一些挑战，可能为进一步发展超伽马线空间的图学习成果提供指导。

Feb, 2022

本研究探讨了在超几何空间内，哪些用户产品可以有效推荐，设计了一种新的学习方法 HICF，针对尾部和头部物品推荐效果不佳的问题，通过改进超几何边际排序学习的过程，提供信息指导来明确推荐目标，并在大量实验中验证了该方法的有效性。

Jul, 2022

本文提出了一种基于 Lorentzian 线性 GCN 的新框架，将学习到的图节点特征映射到双曲空间，并进行 Lorentzian 线性特征转换以捕捉数据的树状层次结构，并通过在标准引文网络数据集上的半监督学习实验证明，我们的方法在 Citeseer 达到了 74.7% 的准确率，在 PubMed 达到了 81.3% 的准确率，并且观察到在 PubMed 数据集上，我们的方法训练速度比其他非线性 GCN 模型快了两个数量级。

Mar, 2024

采用超空间正则化协同过滤提出一种基于超 bolic 几何的模型优化算法，能够增强模型区分能力并避免过分平滑问题，实验结果表明在公共基准测试中具有高度竞争性的表现并超越其他欧几里得和超球面模型。

Apr, 2022

本文提出了一种新的超半球几何图卷积神经网络（Lorentzian graph convolutional network，LGCN）来学习超半球几何中的节点特征，并在 6 个数据集上的实验表明，相比于现有的超半球几何图卷积神经网络方法，LGCN 在学习类似树形的图的表示时存在更低的畸变，并且有些超半球几何图卷积神经网络的性能使用本文所定义的图操作可以得到改进。

Apr, 2021

本篇论文介绍了一种针对用户和物品全新的上下文交互信号建模方法，通过构建多部分图来表示复杂的交互模式，并进一步使用图卷积网络（Graph Convolutional Networks）提高推荐系统的表现。

Mar, 2021

使用超图及超伽玛函数嵌入学习结合预训练技术，提出在序列推荐中，基于多尺度的嵌入学习和超图卷积神经网络的超球形超图表示学习方法（H2SeqRec），有效提升了稀疏超图的动态项目嵌入学习效果及推荐性能。

Aug, 2021

我们提出了一个大规模的双曲线推荐系统，使用双曲几何作为基础几何模型可以显著提高推荐效果，并通过使用 Einstein 中间点等策略，实现了对数百万用户和数十万物品的大规模推荐。

Feb, 2019