该研究论文提出了一种因果解缠多粒度图表示学习方法（CDM-GNN），用于解决图数据建模中多粒度特征的融合问题，该方法在图分类任务中表现出强大的性能，并生成与人类认知模式相一致的解释结果。

Oct, 2023

该研究提出了一种基于图模型的新方法 ——Disentangled Graph Collaborative Filtering（DGCF），用于在用户意图的更细粒度的层次上进行用户 - 物品关系建模和表示学习，以解决现有协同过滤方法中用户兴趣多样性建模的问题，并实现优于几种最先进的模型的结果。

Jul, 2020

本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

May, 2023

本研究提出了 MM-GTUNets，一种基于图变换器的多模态图深度学习（MMGDL）框架，用于大规模脑疾病预测，并通过验证在 ABIDE 和 ADHD-200 两个公共多模态数据集上证明了其优越性能。

Jun, 2024

通过 Disentangled Graph-Text Learner (DGTL) 模型，结合图结构信息和大型语言模型，提升了对文本属性图的推理能力和预测能力，并且通过提供自然语言解释来显著提高模型的解释性。

Oct, 2023

本文提出了一种基于层次化多关系图表示学习的方法来预测药物间的相互作用，通过构建异构图和使用关系图卷积网络以及多视角可区分的谱聚类模块来捕捉药物间的显式和隐式关联，并且利用高级药物对预测药物间相互作用进行性能优越的预测。

Feb, 2024

本研究提出了一种多模态图学习框架（MMGL）来预测疾病，该框架对每种模式的特征进行聚合，通过自适应图学习来捕获患者之间的内在联系，并在两个疾病预测任务上获得了更好的性能。

Mar, 2022

我们使用图表示学习算法探索去中心化金融（DeFi）协议提供的服务之间的相似性。我们提出了一种方法，将这些协议特定的智能合约分为簇，并使用聚类模型进行聚类。我们发现该方法有助于对 DeFi 协议提供的现有金融产品进行分类，并能够有效自动化检测类似的 DeFi 服务。

Mar, 2024

研究提出了一种基于分解的连续图表示学习框架 (DiCGRL)，可以有效地减轻连续学习中的灾难性遗忘问题并超越现有的连续学习模型。

Oct, 2020

本研究利用多视角方法来学习来自多个视角的图表征学习表示，提出了一个适用于网络规模推荐系统的多任务多视图图表征学习框架 (M2GRL)，在淘宝上进行了测试，结果表明，该框架在网址推荐方面的性能显著优于现有的算法。

May, 2020