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

本文研究了四种流行的图神经网络模型，探究了在没有节点属性可用的情况下这些模型所学习的节点表示中纯粹编码的图的哪些属性，并表明其中两个将所有节点嵌入同一特征向量中，而另外两个生成与输入图上的行走数量有关的表示。值得注意的是，在图的某一层 $k>1$，结构不相似的节点如果具有相同长度的行走次数，则可以具有相似的表示。我们在真实数据集上经验证实了我们的理论发现。

Apr, 2023

KGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。

May, 2022

本文提出了一种称为层次图胶囊网络（HGCN）的创新方法，它可以联合学习节点嵌入和提取图层次结构，通过识别每个节点下的异构因素建立分离的图胶囊，从而表征同一实体的不同属性，并通过显式考虑部件之间的结构信息来表征低层胶囊（部分）和高层胶囊（整体）之间的整体关系。实验结果表明 HGCN 的效果和每个组件的贡献。

Dec, 2020

本文提出了一种理论框架来分析图神经网络的表达能力和限制，并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构，实验验证了理论的发现，并取得了最先进的性能。

Oct, 2018

使用图神经网络（GNNs）学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而，现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明，增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示，而高质量的节点表示可以指导结构的增强，从而提高结构的可靠性。此外，现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好，但在具有低同质性的图上表现较差。为此，我们提出了一个名为 Synergistic Deep Graph Clustering Network（SynC）的图聚类框架。在我们的方法中，我们设计了一个名为 Transform Input Graph Auto-Encoder（TIGAE）的模型来获取高质量的嵌入，并用于引导结构增强。然后，在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入，并进行自监督聚类。值得注意的是，表示学习和结构增强共享权重，从而大大减少了模型参数的数量。此外，我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。

Jun, 2024

本文提出了一种有效的框架，称为语言模型图神经网络 (LM-GNN)，通过分阶段的 BERT 模型微调来结合异构图结构与文本，以便在多项监督学习任务中实现节点和边分类以及链接预测，并在不同的数据集上评估了这个框架且在一个亚马逊搜索 - 购买 - 产品的应用中提供了有竞争力的结果。

Jun, 2022

本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

Jan, 2021

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

该研究聚焦于图神经网络的鲁棒性问题，尤其是节点结构预测中添加结构噪声对模型稳健性的影响，研究表明，通过图增强训练，可以显著提高图神经网络的鲁棒性。

Dec, 2019