该论文提出了一种名为 G-GNNs 的新型模型，通过无监督预训练获取节点的全局结构和属性特征，然后利用这些特征和原始网络属性，提出了一种 GNN 的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图，并通过 extensive experiments 在三个标准评估图上表现优异，特别地，在属性图学习方面，G-GNNs 在 Cora (84.31%) 和 Pubmed (80.95%) 上建立了新的基准记录。

Oct, 2019

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

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

本文提出了一个新的以拓扑为中心的框架 Gelato，该框架使用了一个基于图学习的拓扑启发式方法，对由属性信息增强的图进行预测。通过与现有的基于图神经网络的方法进行比较，实验表明这个框架训练更快、推断更快、更精确，可用于解决连接预测中的类别不平衡问题。

May, 2023

本文提出了一种基于节点属性增强的网络对齐方法 Grad-Align+，其采用图神经网络计算嵌入相似性矩阵，并逐步发现跨网络节点对，实验结果表明该方法在节点属性缺失情况下表现优异，并有效增强了方法的鲁棒性。

Aug, 2022

提出了一种基于正无标号（PU）学习的准确链接预测方法 PULL（PU-Learning-based Link predictor），它通过为每个边引入潜在变量并利用相对于这些变量的预期图结构，有效地防止链接预测器过度拟合观察到的图，在边不完整的图中预测链接的性能优于基线模型。

May, 2024

本文提出一种新颖的多属性图转换框架，可以同时预测源域中输入图的节点和边缘属性，并且通过采用谱图正则化来确保预测的节点和边缘之间的一致性。

Mar, 2020

COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。

Jul, 2023

本文介绍了一种名为 GPT-GNN 的框架，用于解决 Graph Neural Networks 训练问题，通过预训练一个能够自监督地学习到结构和语义属性的 GNN 模型，然后将其传输到 Downstream Tasks 中，从而显著提高了性能。

Jun, 2020

本文提出了一种利用图结构进行正样本 - 未标记样本节点分类的方法，通过引入图中的同类偏执（homophily）来增加准确的监督信息，并提出了一种正则化项，以使模型与图结构对齐。理论分析表明，最小化所提出的损失函数也同时最小化了期望损失，可适用于同时具有正负标签的样本。大规模的实证评估表明，该方法相比现有的最先进方法具有更卓越的性能。

Oct, 2023