本研究利用 ChatGPT 的图推理能力，介绍了一种新的框架，能够从金融新闻等文本数据中提取出不断变化的网络结构，并将其整合到图神经网络中进行预测，实验证明其在股票预测方面表现优异，具有金融行业的广泛应用前景。

May, 2023

股市是金融系统的关键组成部分，本文提出了一种名为 MDGNN 的动态图神经网络框架，结合传统方法和图模型，全面捕捉股票之间的多方面关系和随时间的演化，利用 Transformer 结构编码时间演化的多重关系，实现了最佳股票投资预测性能。

Jan, 2024

本文提出了一种基于图神经网络的动态股票图学习方法，通过自动构建具有动态性的股票图，并通过广义图扩散过程学习股票之间的依赖关系，进而采用一种解耦表示学习方案获取股票的层次性特征，实验结果表明该方法在建模股票间和股票内部动态性方面具有显著的改进。

Jan, 2024

本论文提出了一种基于时间和异构图神经网络（THGNN）的方法，用于学习金融时间序列中价格变动之间的动态关系。该方法在美国和中国的股票市场上展开广泛实验，并在实际交易中实现了显著的累积组合回报。

May, 2023

本文提出了一种高阶图注意力网络 (H-GAT)，该网络能够捕捉高阶结构，同时将基本面分析因素与技术分析因素相结合，通过预测股票收益等指标进行实证分析，证明了 H-GAT 方法的优越性。

Jun, 2023

本研究提出了一种新的交通预测框架 - Progressive Graph Convolutional Network（PGCN），它通过在训练和测试阶段逐步适应输入数据来构建一组图形，并与扩张因果卷积和门控激活单元相结合，提取时间特征。PGCN 具有逐步适应输入数据的能力，使模型在不同的研究场所具有稳健性，并在各种几何性质的实际交通数据集上实现了最先进的性能。

Feb, 2022

本文提出了一种基于图卷积网络的方法，以预测用户在购买时是否受产品价格因素影响，解决了价格因素在推荐系统中受到相对较少关注的问题，主要通过对用户行为和商品价格之间的关系进行建模，同时考虑商品类别因素的影响，实验结果表明该方法能够有效地学习用户对产品价格的偏好，优于现有方法。

Mar, 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

本文提出了一种利用多模态注意力网络（multi-modality attention network）进行股票预测的方法，将社交媒体中的语义信息和历史交易记录中的数字特征相结合，通过减少冲突来提高预测准确性（61.20%）和交易利润（9.13%），从而提高了股票预测的性能和为多模态融合提供了未来研究方向。

Dec, 2021

本文介绍了一种名为 Universal Graph Convolution (UniGC) 的新型图卷积概念，该概念重新构建了不同图卷积，并提出了一种动态确定最适合的图卷积的 GCNext 建模范例，通过独特的模块 - 网络设计，GCNext 在计算成本上具有高达 9 倍的降低，并实现了最先进的性能，主要应用于人体动作预测。

Dec, 2023