01
建模growing graph的生成過程在社交網路和推薦系統中有著廣泛的應用，但是由於冷啟動問題，導致新加入的節點往往與原來的graph孤立。雖然現在有很多關於graph的新興研究，但是大多數都沒有解決這個問題。關鍵的難點在於模型學習為graph中的節點生成表示嚴重依賴於圖的拓撲結構，但是新節點往往只有屬性特徵。該論文就著眼於這個問題，提出了統一的圖卷積生成網路，通過對觀察到的圖資料構建的圖生成序列進行取樣，在生成模型中自適應地學習圖中所有節點的表示。與此同時，還優化了由圖重構項和基於KL散度的正則項組成的變分下界。
論文連結：https://arxiv.org/pdf/1903.02640.pdf
02
挖掘網路資料的一個挑戰是找到有效的方式表示或編碼圖結構，讓機器學習演算法可以有效的利用這些資料。現在的一些方法主要考慮節點、邊或者結構這一層面上的表示，而現實生活中的圖，有時變的、多層級的、有化合物、腦神經網路等，都是一系列的圖，而不是單一的圖，這為圖的比較和表示增加了不少難度。傳統學習表示的方法依賴於hand-crafting 來提取圖中的有用資訊，比如統計特性、結構特徵。
該論文則提出一種無監督的方式來學習一組graphs的嵌入表示，以應用於各種圖資料探勘的任務中。該方式用無監督神經網路學習輸入的圖資料的基本分佈，以此來區別不同類別的網路。論文在三個不同的任務中評估了這種無監督的網路嵌入方法，包括圖的聚類、分類和視覺化。
論文連結：https://arxiv.org/pdf/1903.05980.pdf
03
這篇論文提出了一種針對temporal graphs的節點嵌入方法。本文的演算法學習temporal graph的節點和邊隨時間的變化，並針對不同的任務，把這種動態結合到temporal node嵌入框架中。論文還提出了聯合損失函式，通過結合歷史時間嵌入來學習節點新的時間嵌入，這樣來優化特定的任務，比如說鏈路預測。演算法使用靜態節點嵌入進行初始化，隨後在不同的時間點對節點的表示進行對齊，最後在聯合優化中適用於給定的任務。論文在鏈路預測和多標籤節點分類兩個任務上進行了實驗，該方法表現出了更優的效能。
論文連結：https://arxiv.org/pdf/1903.08889.pdf
04
論文基於一致性聚類（consensus clustering）的概念，提出了一種針對圖的聚類融合演算法（ECG）。為了驗證方法，論文通過考慮更加廣泛的基準引數來擴充套件比較，生成具有不同屬性的圖。相較於之前的方法，ECG演算法緩和了解析度限制問題以及提高了聚類的穩定性。
論文連結：https://arxiv.org/pdf/1903.08012.pdf
05
該論文介紹了subgraph network（SGN）的概念，並將其應用到網路模型中，設計了構造一階和二階子圖網絡的演算法。SGN可以用於擴充底層網路的結構特徵空間，有利於網路分類。實驗資料表明，基於帶有一階或者二階SGN的原始網路特徵的網路分類模型表現要比僅有一兩個這樣網路的模型好。換句話說，SGN的網路結構特徵可以補充原始網路的結構特徵。
論文連結：https://arxiv.org/pdf/1903.09022.pdf