研究采用邻域聚合操作来简化 GCN 模型设计，提出了名为 LightGCN 的新模型，用于协同过滤任务上取得了比基于 GCN 的 Neural Graph Collaborative Filtering 模型高出 16.0% 的性能改善，分析表明 LightGCN 相比于其他 GCN-based 推荐模型更加合理且易于实现和训练。

Feb, 2020

通过消除 GCN 中的不必要的非线性和权重矩阵，我们提出了一种线性模型，它对应于一个固定的低通滤波器，然后是一个线性分类器。 在许多下游应用中，我们的实验评估表明这种简化并不会对精度产生负面影响。 此外，由于我们的模型简化减少了计算量，因此我们的模型在更大的数据集上具有可扩展性，并且具有更快的推理速度。

Feb, 2019

本论文在图推荐算法中分析了 LightGCN。尽管图卷积网络最初的设计是用于图分类，但非线性操作并不总是必要的。LightGCN 能够实现嵌入的线性传播，从而提升性能。我们重现了原始发现，评估了 LightGCN 在不同数据集和指标上的鲁棒性，并探索了作为 LightGCN 信号传播增强的图扩散方法。

Dec, 2023

该研究论文提出了一种新颖的基于 Interest-aware Message-Passing GCN 的推荐模型，通过在用户兴趣相似的子图中进行高阶图卷积操作，避免了过度平滑问题，其在三个基准数据集上的实验结果表明，该模型可以通过叠加更多的层次获得性能提升，并且在 GCN-based 推荐模型上显著优于现有的最佳模型。

Feb, 2021

本文提出了一种名为 DeeperGCN 的新型 Graph Convolutional Networks，它有效地解决了深度较大的 GCNs 存在的梯度消失、过度平滑和过度拟合等问题，实现了对大规模图数据的成功且可靠的训练，并在 Open Graph Benchmark (OGB) 上进行的实验证明其在节点属性预测和图形属性预测的大规模图形学习任务中比现有技术有显著提高。

Jun, 2020

提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

Nov, 2019

本篇论文通过对图卷积网络的分析发现其核心组件对于推荐贡献不足。基于这个发现，我们提出了一种新的学习方案，使用图去噪编码器（GDE）来代替邻域聚合提高推荐准确性，并通过负样本动态调整梯度以加快模型的训练。在五个真实数据集上的实验表明，我们的方法不仅优于现有技术，而且比 LightGCN 快 12 倍。

Apr, 2022

本研究提出了一种高效的图形卷积网络（GCN）训练框架 L-GCN，该框架通过在训练期间解耦功能聚合和功能转换，大大降低了时间和内存复杂度，并提出了 L²-GCN，用于每个层学习控制器，可以自动调整每个层的训练时期。实验表明，在不依赖于数据集大小的一致内存使用情况下，L-GCN 比现有技术快至少一个数量级，同时保持可比的预测性能。

Mar, 2020

本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

Jan, 2018

该论文首先认为当前的 GCN 模型较难训练，而且容易出现平滑过度和容易受到对抗攻击的问题；该论文提出了一种有效的方法来处理这些问题，通过使用简单的 GCN 模型单独聚合不同阶邻居的信息，然后通过层级的累加来消除这些问题，并且在实验数据集上证明了该模型的有效性和鲁棒性。

Apr, 2020