- 基于大小相邻路径识别的异构图神经网络分类聚合算法
通过研究不同数据集中的元路径，本文发现不同元路径之间连接的邻居数量存在巨大差异，并针对大邻居路径中包含的噪声干扰问题，提出了基于大和小邻居路径识别的异构图神经网络分类和聚合算法（LSPI），通过路径判别器将元路径划分为大和小邻居路径，并从拓 - 多关系图神经网络的元路径学习
在这项工作中，我们提出了一种新的方法来学习元路径和元路径图神经网络，通过少量信息丰富的元路径来提高准确性，在增量构建元路径的过程中使用评分函数来衡量关系的潜在信息量。实验评估表明，该方法即使在存在大量关系的情况下，也能正确识别相关的元路径， - 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 - 基于长程依赖的异构信息网络多层感知器
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。
- 基于归纳元路径学习的模式复杂异构信息网络
SchemaText proposes a method to address the computational complexity associated with meta-path enumeration in schema-com - 异质图的属性多阶图卷积网络
本篇论文主要介绍了一种基于 AMOGCN 的异构图神经网络，该方法可以学习具有区分度的节点嵌入和关系，并能够自动地构建元路径来影响嵌入的质量，从而提高半监督分类性能。
- 基于时空图的行人轨迹预测的元路径分析
本文提出了一种基于元路径的特征提取方法，用于改善现有 ST-graph 模型在交通预测、人体动作建模等领域表现不佳的问题，并在行人轨迹预测任务中应用，实现了比传统方法高 32% 的预测精度及更为社交化的轨迹。
- 利用元路径上下文进行异质信息网络分类
该论文提出了一种名为 ConCH 的图神经网络模型，通过组合半监督学习和自监督学习从标记和未标记数据中学习，并使用元路径来捕获对象之间的语义关系，在 HIN 分类任务中取得了显著的性能优势。
- 利用元路径进行异构图自监督辅助学习
本文提出了一种基于元路径的自监督辅助学习方法来学习异构图上的图神经网络，通过预测元路径作为辅助任务来进行主任务的学习，可以自动平衡辅助任务的有效组合以提高主任务性能，实验证明该方法可以在异构图上改进链接预测和节点分类的性能。
- 图变换网络
本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点 - KDD异构网络上基于自动路径发现的相似度建模
这篇论文介绍了使用连续强化学习和深度内容嵌入相结合的半监督联合学习框架以自动发现对于两个节点组对的有用路径来解决异构网络中复杂节点相似性建模的挑战，并且通过实验表明了该算法的出色性能。
- 异质信息网络上的无监督元路径约简
该论文提出了一种名为 SPMR 的新算法，用于在无人监督的情况下减少预定义元路径的数量，从而实现最大程度地保留原始元路径的语义。实验结果表明，SPMR 选择的子集可以使用更少的元路径实现可比甚至更好的性能。
- 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。