提出了一种基于动态异构图和节点重要性网络学习框架的方法来预测新发表论文的未来引用趋势，采用动态异构网络嵌入模块、节点重要性嵌入模块和对数正态分布来进行多面的论文节点表示和联合预测，通过实验证实该方法显著优于目前最先进的方法。

May, 2023

本论文提出了一种基于引用图的摘要模型 CGSum，相对于基于输入文档内容进行摘要的方法，它可以更好的理解科技论文的含义并产生高质量的摘要，同时构建了一个包含 141K 篇不同领域的科技论文的数据集 Semantic Scholar Network（SSN），这个数据集构成了一个大型的连接引用图。研究结果表明，引用图对于理解论文内容并产生高质量的摘要十分关键。

Apr, 2021

提出了一种自动学习无领域知识下的层次异构图生成网络（H2G2-Net），以及一种端到端的强大的层次异构图表示方法，用于预测人类的认知状态，并在实验中验证了其在多模态生理信号方面的优越性。

Jan, 2024

本研究提出了一种新颖的图神经网络模型 DPPDCC，用于解读学术论文的潜在影响，并区分扩散、一致性和贡献价值。通过对构建的动态异构图中的时态和结构特征进行编码，捕捉知识流动的重要性、比较性和引证 / 被引信息，并利用扩展图对扩散进行本质性提取、预测累积引用情况进行一致性建模。通过施加正交约束以促进每个角度的不同建模并保留贡献的内在价值，我们对基于特定时间点划分数据以模拟真实条件的问题进行了重新定义，验证了 DPPDCC 模型对于先前发表、最新发表和即时发表的论文在不同时期的泛化能力，并进行了进一步的分析以验证其鲁棒性。我们将公开提供我们的数据集和代码。

Nov, 2023

本研究提出了一种新颖的方案，通过异构图上的分层表示学习来进行跨语言引用推荐，可以优化出在图上定位重要的跨语言邻域的概率，实验结果显示该方法不仅可以超越现有的基线模型，而且可以提高跨语言引用推荐任务的表现。

Dec, 2018

该论文提出了一种利用图卷积网络在跨语言文本分类中融合异构信息的简单高效方法，利用词性角色、语义相似度和文档翻译等信息构建了异构图，实现了在所有任务中显著优于现有模型的性能和低资源情况下良好的一致性表现。

May, 2021

本研究提出了动态异构图神经网络及其变体 DyHGN，使用商业交易数据来构建动态异构图，并使用模型解释技术来理解 DyHGN-* 模型的行为，其发现表明建模带异构输入的图动态行为需要依赖于数据结构、分布和计算成本的 “关注”。

Apr, 2022

提出一种聚类层次的无监督学习方法（UCHL），通过学习科学论文异构图中节点（作者、机构、论文等）的表示方法，实现整张异构图上的链接预测，取得优秀成绩。

Mar, 2022

该研究提出了一种基于动态异质图卷积网络 (DyHGCN) 的信息扩散预测方法，结合社交网络和动态扩散图，编码时间信息以学习用户的动态偏好，并应用多头注意力来捕捉当前扩散路径的上下文依赖性，实验结果表明 DyHGCN 在三个公共数据集上明显优于现有的模型，这显示了该方法的有效性。

Jun, 2020

该研究旨在通过设计一个基于学术社交网络的深度学习模型，以理解学者职业生涯转变的行为并建议适当的工作机构，该模型使用异构学术网络来实现机构推荐，并通过 HAI 算法集成了机构、学者和元路径等一系列因素来提供有序的、可解释的推荐结果。

Feb, 2022