本研究探讨了使用图神经网络方法在故事点级别上进行文本分类的潜力与可能遇到的挑战，并通过实验表明 GNN 文本级分类可以达到约 80％的故事点级分类高精度。

Mar, 2022

本文介绍了一种异构图神经网络 (HeterSumGraph) 用于信息抽取式文档摘要的任务中，该网络结构包含不同粒度级别的语义节点，这些额外的节点作为句子之间的中介，丰富交叉句关系，同时我们的图结构在自然扩展从单个文档设置到 多文档，引入文档节点。该方法是第一次在基于图的神经网络中引入不同类型的节点进行信息抽取式文档摘要，并进行了全面的定性分析以探究其优劣。

Apr, 2020

本文提出了首个基于异构图嵌入的无监督抽取式摘要方法，构造异构文本图以捕捉不同粒度的交互，并取得了在三个摘要数据集上的一致优异结果。

Nov, 2022

本篇论文提出了一种基于实体的文本摘要方法，采用实体构建句子 - 实体图，连接知识图谱和图神经网络实现摘要，提高了提取式和生成式基线的性能。

Feb, 2023

提出 GPSP，通过图分区和空间投影，学习多类型节点和链接的异构网络表示，各个子网中学习投影嵌入向量，将来自双部分子网的投影向量与同质子网的向量进行连接，展示出 GPSP 在结点分类与聚类等关键网络挖掘任务上的表现胜过现有基础线。

Mar, 2018

本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。

Apr, 2022

我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络，它将一种风格的效率与另一种风格的低信息损失相结合，通过引入随机投影压缩步骤和关系化邻居收集组件，在七个小型和大型基准数据集上获得了最先进的结果，并比大多数有效的基准方法快 230％。

Oct, 2023

将研究成果分类为特定上下文的标签分类体系是一项具有挑战性且相关的下游任务，该论文提出了一种方法，通过使用边异构图来增强简单的图神经网络（GNN）管道的性能，实验证明边异构图能够提高 GNN 模型的性能，这项研究有望在节点分级分类方面提供性能改进。

Sep, 2023

本文介绍了使用异构图表征和双监督结构的 Well-known 网络进行对应的图学习任务，从而实现软件漏洞的检测，通过使用原型进行实验，表明该方法对于检测性能具有良好的有效性，并在从 C/C++ 到其他编程语言的转换性上优于现有技术。

Jun, 2023

本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。

Jul, 2022