本文提出了一种新的框架，名为 HAGNN（Hybrid Aggregation for Heterogeneous GNNs），可以同时利用元路径邻居和直接相连邻居进行节点聚合来充分利用异构图中的异质性，通过在自身内部对齐和外部对齐两个阶段分别聚合结构语义信息和类型语义信息，获得了优于现有异构 GNN 模型的效果。

Jul, 2023

提出了一种新的叫做元路径聚合图神经网络（MAGNN）的模型来解决异构图嵌入中节点内容特征、中间节点和元路径的问题，并在三个真实异构图数据集上进行了实验，证明了 MAGNN 比现有基线模型具有更准确的预测结果。

Feb, 2020

该文提出了一种基于长距离依赖的多层感知机模型，通过使用自动化的搜索方法发现有效的元路径，从而解决了现有异构图神经网络模型在处理稀疏异构信息网络时计算和存储开销过高的问题，并且在相应的异构数据集上取得了当时最好的性能和高效性。

Jul, 2023

我们提出了 GraLSP—— 一种图神经网络框架，通过随机匿名游走显式地将局部结构模式纳入邻域聚合中，设计了各种机制来解决结构特征的影响，包括自适应感受野、注意力和放大，并设计了捕捉相似性的目标，结合节点邻近度目标进行优化。

Nov, 2019

通过引入 LocalSim 和 IRDC 提出了一种与节点 heterophily 差异相关联的本地相似性图神经网络 LSGNN，并在真实数据集上实现了超越同类方法的表现。

May, 2023

本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。

Mar, 2021

本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。

Jul, 2022

本文提出了一种基于路径感知的孪形图神经网络（PSG）来进行链路预测任务，结合多任务图神经网络框架并采用自监督对比学习，能够同时捕捉节点内容和行为，实验结果在两个数据集上表现出卓越的性能。

Aug, 2022

提出 GPSP，通过图分区和空间投影，学习多类型节点和链接的异构网络表示，各个子网中学习投影嵌入向量，将来自双部分子网的投影向量与同质子网的向量进行连接，展示出 GPSP 在结点分类与聚类等关键网络挖掘任务上的表现胜过现有基础线。

Mar, 2018

本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

Dec, 2022