在本文中，我们提出了一种新颖的方法，通过采用交替随机游走策略来生成特定角色的顶点邻域，并在相应的源/目标角色中训练节点嵌入，以在完全利用有向图的语义的同时，为有向图中的两个不同节点角色维护单独的视图或嵌入空间，成功地解决了先前方法无法对边的定向性进行编码或其编码不能在不同任务中进行推广的问题，并在几个真实世界数据集上展示了我们方法的有效性，我们表明我们的嵌入是稳健，可推广和在多种任务和图表现良好，并且在节点分类任务中始终优于基线模型。

Oct, 2018

本文介绍了一种名为GraphGen的领域无关技术，它使用DFS代码将图形转换成序列，并利用一种新颖的LSTM架构学习图形和语义标签之间的复杂联合分布，从而克服了许多现有技术的局限性，该技术在多个性能指标方面表现优异。

Jan, 2020

本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。

Jan, 2021

本文概述了一系列现有的技巧，并提出了一些与标签使用、损失函数制定和模型设计相关的新技巧，以显著提高各种图神经网络(GNN)架构的性能。通过进行消融研究，我们经验性地评估了它们对最终节点分类精度的影响，并证明了它们的性能得到了不断改进，通常超过了底层GNN架构变化所带来的收益。值得注意的是，许多排名前列的模型从中受益，这是我们提出的一些技术。

Mar, 2021

本文提出了一种新的自监督学习框架GIANT，来优化节点特征提取过程中对图拓扑结构和节点属性的潜在相关性，并结合XR-Transformers方法，针对Open Graph Benchmark数据集通过eXtreme Multi-label Classification范式提高了GNN的性能。

Oct, 2021

本文提出一种利用自监督学习策略来学习图中节点信息表示的简单而有效方法，通过直接最大化节点和它们的邻居的隐藏表示之间的互信息来获得上下文信息，并采用拓扑感知的正样本采样策略，并借助正样本选择提高了表示学习的质量和有效性。

Mar, 2022

该研究提出了一种名为 GraFN 的半监督方法来解决使用少量标记节点的图节点分类问题，它既结合了自监督方法的性能优势，又能够实现类别之间的节点区分。

Apr, 2022

本文提出了使用图神经网络（GNN）进行多节点表示学习的理论，介绍和证明了直接聚合单个节点表示无法捕捉节点集中节点间依赖性的弊端，提出了一种区分目标节点和其他节点的标记技巧（Labeling trick）以及将其扩展应用到偏序集、子集和超图中，通过实验证明了该技术可在无向/有向链接预测、超边预测、子图预测等多个任务中提升GNN的性能。

Apr, 2023

本研究提出一种名为Virtual Node Tuning (VNT)的创新方法，利用预训练图变换器作为编码器，在嵌入空间中注入虚拟节点作为软提示，以几个有标签的节点进行优化，以调节每个特定的FSNC任务的 node embeddings，通过集成基于图的伪提示演进模块的VNT-GPPE，可以处理基类中标记稀疏的情况，在四个数据集上的实验结果表明，该方法优于现有的最先进方法和完全监督的基线。

Jun, 2023

节点分类是属性图的核心任务之一，本论文提出了一种称为DiffusAL的新型主动图学习方法，通过结合三个独立的得分函数来识别在标记中最具信息量的节点样本，显著提高了标记效率，相较于之前的方法在所有数据集和标注预算中均显著优于随机选择。

Jul, 2023