本文研究一种新型 COVID-19 预测方法，使用图神经网络和移动数据，利用单一大规模时空图进行学习，通过在美国县级 COVID-19 数据集上的实验证明该方法相比基线模型具有更好的预测性能，可以成为理解 COVID-19 传播和演化的强大工具，鼓励其他人基于 GNN 和高分辨率移动数据进一步发展新的传染病建模方法。

Jul, 2020

本文研究人口流动对 COVID-19 传播的影响，并利用图形表示学习领域的最新进展来捕捉其潜在动态。我们创建了一张图表，其中节点对应于一个国家的地区，边缘权重表示从一个区域到另一个区域的人类流动。我们使用图神经网络来预测未来案例的数量，并通过异步爆发和元学习的方法，将一个国家的模型的知识转移到另一个国家的模型上。实验结果证明了我们方法的优越性。

Sep, 2020

该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型，在流动性分析方面具有很强的研究价值和政策指导意义，该模型提供了有效的工具箱，能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播，并模拟了某些政策的影响和控制传染的预测。

Dec, 2022

本文提出一种名为 ATMGNN 的深度学习结构，该结构能够结合地理数据和 COVID-19 病例的时间序列数据来预测大流行病的未来动态，并通过学习聚类算法以数据驱动的方式捕获空间图的多尺度结构。作者在新西兰收集和组织了一个新的数据集，并将社会经济横截面数据纳入模型进行了预测，取得了比其他基线更好的预测结果，该研究为实时预测和全球范围的研究提供了一些启示。

May, 2023

提出了一种基于图神经网络的模型，通过采用三种不同的网络结构：拓扑学、中心性和语境，结合两种注意机制，确定确定团队成功的关键成员，并量化三个因素对团队绩效的贡献；该模型在预测团队绩效方面表现出色，并在合成数据集上进行了验证，证明其性能优于基线模型。

Jun, 2022

本研究提出了基于异构卖家产品图的归纳式图形风险预测器 ColdGuess，能够高效地对规模庞大的产品进行打分以辨别风险，且已在生产环境中得到应用，其在新卖家销售新产品时性能甚至高于 lightgbm 34 个百分点

May, 2022

本研究旨在将职业网络整合到人职匹配模型中，通过设计一个工作场所异构信息网络（WHIN）和一个上下文社交注意力图神经网络（CSAGNN），来提高在线招聘平台的性能。实验证明了我们的方法优于基准模型。

Dec, 2023

通过融合时间图神经网络和多模态数据，我们提出了一种名为 MGL4MEP 的新型框架，用于学习和预测流行病，通过利用特定的预训练语言模型和发现用户之间的潜在图结构，将大数据源（包括社交媒体内容）整合到流行病动态学习中，从而提供丰富的流行病动态指标。广泛的实验证明了我们框架在流行病预测和分析方面的有效性，相对于基准方法，在不同领域、流行病情况和预测时段上表现出色。时间图学习和多模态数据的融合使我们能够以更少的时间滞后、更便宜的成本和更多的潜在信息指标全面了解流行病景观。

Oct, 2023

在线到离线推荐与用户和服务的时空信息密切相关，因此需要更高程度的模型个性化。传统方法基于通过收集的集中数据进行训练的统一模型结构，不太可能捕捉到不同地理区域或时间段的所有用户模式。为了解决这个挑战，我们提出了一种称为 GeoGrouse 的地理群组特定建模方法，同时研究用户偏好的通用知识和群组特定知识。我们采用自动分组范例并基于用户的地理分组指标进行验证。通过离线和在线实验验证了我们的方法的有效性，并实现了实质性的业务改进。

Dec, 2023

本文提出和比较了三种不同的建模策略：标准方法、利用新数据和代理结果的方法以及混合方法，发现混合方法对于分布转移和弱代理关系具有鲁棒性，且实际上超越了标准方法和基于代理关系的方法。

Jun, 2023