本文提出一种名为 TransGCN 的 GCN 框架，同时学习关系和实体嵌入，通过引入对三元组主体、关系和对象之间关系的变换假设，探索了 TransE 和 RotatE 中的旋转假设，在处理知识图谱中异构关系时比 R-GCN 模型参数更少。实验结果表明，此方法在 FB15K-237 和 WN18RR 上优于现有的方法。

Oct, 2019

提出了一种使用连续图卷积网络的新方法来推断在线文本数据的模型，称为 ContGCN，采用了全标记 - 任意文档范式来动态更新每批处理的文档 - 标记图，并使用自我监督对比学习目标来更新模型。在华为公共舆情分析系统上进行的 3 个月 A/B 测试表明，ContGCN 相比现有的方法提高了 8.86％的性能。

Apr, 2023

本研究提出了 CompGCN，一种新的图卷积框架，可同时嵌入节点和关系，解决了处理多关系图的过度参数化问题，广义了现有的多关系 GCN 方法，取得了节点分类、链接预测和图分类等多个任务的显着优异结果。

Nov, 2019

本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN)，该框架充分利用了复杂图形的丰富结构信息，并针对图的异构性和节点更新问题进行改进，优于具有同类基线方法的表现。

Jun, 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

我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务，包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点，我们证明了它们作为一个独立模型在实体分类方面的有效性，并进一步证明，通过在关系图中累积多个推理步骤的编码器模型来丰富解码器模型，可以极大地提高因子分解模型 (例如 DistMult) 在链接预测方面的表现 (在 FB15k-237 上的表现提高了 29.8%)。

Mar, 2017

本研究通过图卷积网络（GCN）对图进行编码，引入了一种新的密集连接策略，提出了一种新型的密集连通图卷积网络（DCGCN）来集成本地和非本地特征，以更好地学习图的结构表示，并在 AMR-to-text 生成和基于语法的神经机器翻译上明显优于现有的神经模型。

Aug, 2019

本研究提出了一种新模型 ——AGGCNs，该模型通过自动学习选择性地关注依存树的相关子结构，有效地利用依存树的结构信息来提取实体之间的关系，从而在交叉句 n 元关系抽取和大规模句子级关系抽取等多项任务中均优于现有方法。

Jun, 2019

提出了一种基于词图的图卷积神经网络模型，能够以归纳的方式完成对于预定义图之外的文档的分类任务，该模型利用词共现信息形成词图，同时融入了文献引用关系的全局语义依赖信息，通过实验验证，该模型在分类任务中表现出良好的性能和高效率。

May, 2023

本研究提出了一种名为 DGCN 的新型 GCN 模型，通过利用一阶和二阶接近度来将其扩展到有向图，可以保留有向图的连接属性并扩展卷积操作的感受野，实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。

Apr, 2020