本研究提出了一种名为 DEAL 的模型，包括两种类型的节点嵌入编码器和一种对齐机制，用于解决图数据分析中的链路预测问题，并且在无监督的预测情况下，通过对齐两种类型的嵌入向量获得更高的精度。

Jul, 2020

提出一种结构化上下文感知自监督学习（CSSL）的方法，通过两种不同结构上下文的预测，在端到端的训练中，构建一个链接编码器来推断链路存在概率。CSSL 可以处理有、无属性的网络，并且在诸如节点属性噪声鲁棒性和大规模网络的可扩展性方面具有竞争力。

Jan, 2022

本文提出了一种基于分布匹配的图神经网络 SAT，用于解决结点属性缺失情况下的图学习问题，SAT 的性能优于其它方法。

Nov, 2020

统计学和机器学习中，检测数据集中的依赖关系是一个核心挑战。我们提出了一种新颖的神经网络模型，用于监督式图结构学习，即学习观测数据与其底层依赖结构之间的映射关系。通过利用结构方程模型和使用随机生成的多元切比雪夫多项式来模拟训练数据，我们的方法在线性和各种类型的非线性依赖关系上都表现出稳健的可推广性。我们引入了一种新颖的双线性注意机制（BAM），用于显式处理依赖信息，其操作是基于转换数据的协方差矩阵水平，并尊重对称正定矩阵流形的几何性质。实证评估显示了我们的方法在检测广泛范围的依赖关系中的稳健性，在无向图估计方面表现出优势，并通过一种新颖的两步方法在完成部分有向无环图估计中取得竞争优势。

Feb, 2024

本论文提出了一种贝叶斯概率方法，通过将二进制编码的各种节点属性纳入泊松似然的关系模型中，利用侧面信息来提高社区检测和链接预测的性能。该方法可以灵活地处理有向和无向关联网络，利用节点属性的稀疏性，通过高效的 Gibbs 采样实现推理。广泛实验证明，我们的模型实现了最先进的链接预测结果，尤其是在高度不完整的关系数据中。

Jun, 2017

该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR 对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。

May, 2023

本研究提出一个统一框架用于学习复杂网络的多种嵌入表示，包括不同属性节点和多样的边类型，支持基于图的归纳和转导学习，通过对四个数据集的系统评估，证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。

May, 2019

本文通过引入 Atomic and Subgraph-aware Bilateral Aggregation 模型，综合考虑原子和子图两种信息，提高分子性质预测的表示学习，该方法在药物和材料发现等领域具有广泛的应用。

May, 2023

该论文提出了一种名为 attri2vec 的统一框架实现属性网络嵌入，它使用网络结构引导转换来发现潜在的节点属性子空间，以更一致地符合网络结构以学习高质量的节点表示，并且具有解决 out-of-sample 问题的能力，实验证明其在节点分类、聚类和预测任务中均优于现有方法。

Jan, 2019

本文提出了一种基于层次贝叶斯模型的潜在变量模型，能更好地提取社交和生物学网络数据的结构关系并预测，相比只有一个层级的模型，本模型在预测性能上有显著的改进。

Jun, 2012