本文利用一种基于神经网络的成对学习排序方法，即 DirectRanker，展示了它在 RankNet 架构上的泛化能力。经过数学证明，我们的模型具有自反性、反对称性和传递性，从而实现了简化训练和提高的性能。在 LETOR MSLR-WEB10K、MQ2007 和 MQ2008 数据集上的实验结果表明，我们的模型在结构上固有的简单性和仅使用成对方法的情况下优于许多最先进的方法。

Sep, 2019

本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

Apr, 2019

本文提出了一种高并行性图神经网络的再排序方法，将传统的再排序过程分为检索高质量图库样本和更新特征两个阶段，并在实验中验证了该方法的实时处理能力和检索效果。

Dec, 2020

提出一种称为 Pref-Rank 的算法，它利用结构丰富的图形嵌入来预测排名。通过在坐标点上建立强乘积空间，该算法通过 SVM 方法从结果图嵌入中提取关键信息并在两种排序 Loss 上提供了统计一致性。实验结果表明，此算法优于现有的状态 - of-the-art 方法。

Nov, 2018

本文研究相似性和基于 GNN 的链接预测方法在同构图中的应用，通过在具有不同属性的多个基准图上的实验评估不同方法的性能。

Aug, 2020

本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

Aug, 2018

该论文提出了一种基于物理学原理的模型和高效算法，用于推断有向网络中节点的层次排名，并介绍了一种更精确的排名方式，并提供了一种对强度进行统计显著性检验的方法，应用于预测边的存在性和方向，并在实际和合成数据上分析展示出算法的效率与可扩展度。

Sep, 2017

Graph2Gauss 是一种利用高斯分布表示节点，可以快速有效地在大规模（带属性）图上学习多功能节点嵌入，并且优于现有的方法，在网络分析和不同类型的图上都适用的无监督学习方法。

Jul, 2017

我们提出了一种受物理启发的方法来推断定向时间网络中的动态排名，该网络中的每个定向和打上时间戳的边反映了一对交互的结果和时间。我们的方法通过求解一组线性方程来推断每个节点的排名，其取值为实数，并随着每条新边的增加或降低（如胜利或失败），引发或降低节点的估计强度或声望的变化，这在真实情况下经常观察到，包括游戏序列，锦标赛或动物等级中的交互。我们的方法仅需要调整一个参数，因此对应的算法可扩展且高效。通过评估我们的方法在各种应用程序中（包括合成和真实数据）中预测交互（边的存在）及其结果（边的方向）的能力来测试我们的方法。我们的分析表明，在许多情况下，我们的方法的性能优于现有的预测动态排名和交互结果的方法。

Jul, 2023

研究在机器学习中，基于两两比较对一组 n 个项目进行排名的问题，提出了一种基于置信区间的活跃排名算法，通过近似排序来减少比较次数。

Jan, 2018