- 异构信息网络中基于大型语言模型的元结构发现
利用大规模语言模型的推理能力，提出了一种新颖的 REasoning meta-STRUCTure 搜索框架（ReStruct），该框架在进化过程中整合了 LLM 推理，通过将元结构编码为自然语言句子，并利用 LLM 的推理能力评估语义上可行 - SynHIN：为可解释人工智能生成合成异构信息网络
通过识别真实数据集中的模式、统计图数据以及构建合成网络，我们提出了 SynHIN 方法，用于生成合成的异构信息网络和图数据集，并为解释性异构图神经网络提供了一个基准数据集，从而朝着可解释的人工智能在异构图神经网络中迈出了重要的一步。
- 自主学习的异构图变分自编码器
通过引入生成自监督模型 SHAVA，本文提出了一种可以同时解决节点属性缺失、属性不准确和标签稀缺问题的方法，该方法在异构信息网络中构建了低维表示矩阵，并通过节点和属性的编码解码实现了节点属性的精细语义信息表达、属性重建和准确性纠正。实验结果 - 原型增强的超图学习用于异构信息网络
本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构 - M2HGCL: 多尺度元路径融合异构图对比学习
提出了一种新的多尺度元路径集成的异构图对比学习模型（M2HGCL），该模型通过扩展元路径并联合聚合直接邻居信息、初始元路径邻居信息和扩展元路径邻居信息，以充分捕捉判别信息，并进一步采用特定的正采样策略来纠正对比学习的内在缺陷，即困难负样本采 - 基于源感知的异构信息网络嵌入训练
提出 SUMSHINE（Scalable Unsupervised Multi-Source Heterogeneous Information Network Embedding），这是一个可扩展的无监督框架，用于对齐多个异构信息网络源之 - AAAI异质信息网络上的可微元多重图搜索与部分消息传递
本文提出了一种名为部分信息元多图搜索（PMMM）的新方法，用于自动优化 HIN 上的神经结构设计，其采用可微分方法搜索有意义的元多图，以捕获比元图更灵活和复杂的语义关系，并证明其优于现有作品和是稳定的算法。
- DeHIN：一个去中心化框架，用于嵌入大规模异构信息网络
本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN，通过分布式的超图划分和开发基于超图的并行化节点嵌入算法，实现了对异构信息网络的高效节点嵌入学习和分布式处理。
- KDDDiffMG: 面向异构图神经网络的可微元图搜索
本文提出了一种利用异构信息网络中编码的任务相关语义信息的新框架，该框架利用元图搜索可以捕获比元路径更复杂的语义关系，以确定如何沿不同类型的边传播消息。我们在神经结构搜索（NAS）的框架中形式化这一问题并进行可分解搜索，以生成可用于异构信息网 - KDD通过异质信息网络的综合转录，简化嵌入式学习
通过 HEER 算法对边表现和异构度量的妥善学习，解决了综合转录异构信息网络的挑战，并在真实数据集上展示了模型的有效性和边表现和异构度量的实用性。
- MetaGraph2Vec： 复杂语义路径增强异构网络嵌入
本文提出一种新的多元化方法 ——Metagraph，用于网络嵌入学习中捕捉不同节点之间更丰富的结构和语义上下文信息，从而在处理非常稀疏的异构信息网络时提高了 MetaPath 嵌入技术的能力，并实验证明 MetaGraph2Vec 算法能够 - 异构信息网络中的方面嵌入学习
该研究提出了一种基于多个方面来保留异质信息网络中语义信息的新型嵌入学习框架 - AspEm，它的有效性经过了两个真实世界数据集的实验证明，其中这些方面可以以无监督的方式从给定的异质信息网络中进行选择。
- 面向推荐的异构信息网络嵌入
本文提出一种基于异构网络嵌入的方法 HERec 来解决 HIN-based 推荐系统中的冷启动问题，该方法通过设计基于元路径的随机游走策略来嵌入 HINs，并通过一组融合函数将学习到的节点嵌入首先转换为扩展矩阵分解模型。HERec 模型通过 - 基于网络的在线社交媒体评论垃圾检测框架 NetSpam
利用映射垃圾邮件检测程序为网络中的分类问题的异构信息网络，提高了垃圾邮件特征的重要性，证明该方法在 Yelp 和 Amazon 等真实评论数据集上优于现有方法，其中除其他类别外，评论行为类别的特征表现得更好。
- 大规模异构信息网络中基于元路径导向嵌入的相似度搜索
本文提出了一个基于嵌入的框架 (ESim)，以探索嵌入在网络结构中的相似度，并接受用户定义的元路径作为指导来学习嵌入向量。在大规模异构信息网络上进行的实验证明了 ESim 的有效性和可扩展性。
- KDD异质信息网络的张量 SimRank
提出了 SimRank 相似度度量的一般化，用于异构信息网络，其中给定信息网络，如果与 a 相关的对象集合和与 b 相关的对象集合根据所有所施加的关系彼此相似，则类内相似性得分 s（a，b）很高。