1.【2021 EMNLP】Heterogeneous Graph Neural Networks for Keyphrase Generation
文章作者：Jiacheng Ye, Ruijian Cai, Tao Gui and Qi Zhang
文章地址：https://aclanthology.org/2021.emnlp-main.213.pdf
文章导读：文章作者来自复旦大学张奇老师团队。本文解决的是关键词生成问题，提出了一种新的基于图的方法，可以从相关参考文献中获取明确的知识。文章提出的模型首先从预定义的索引中检索一些与源文档相似的文档关键字对作为参考文献。然后构造一个异构图来捕获源文档与其参考文献之间不同粒度的关系。为了指导解码过程，引入了分层注意和复制机制，该机制根据源文档及其参考文献的相关性和重要性，直接从源文档及其参考文献中复制适当的单词。

图1：GATER模型结构

2.【arxiv 2021】Content Filtering Enriched GNN Framework for News Recommendation
文章作者：Yong Gao, Huifeng Guo, DanDan Lin, Yingxue Zhang, Ruiming Tang, Xiuqiang He
文章链接：https://arxiv.org/abs/2110.12681
文章导读：本文由香港科技大学和诺亚方舟实验室共同完成。现有的大多数方法只捕获了协同过滤关系。但是，这些方法可能会受到数据稀疏性问题(用户-新闻交互行为稀疏性问题)的困扰，或者更容易受到流行度较高的新闻(或用户)的影响。针对这一局限性，本文提出了内容过滤增强的新闻推荐GNN框架，简称ConFRec。它与现有的基于GNN的新闻推荐方法兼容，可以同时捕获协同和内容过滤信息。

图2：ConFRec总体框架

3.【NeruIPS2018】Link Prediction Based on Graph Neural Networks
文章作者：Muhan Zhang, Yixin Chen
文章链接：https://arxiv.org/pdf/1802.09691.pdf
文章导读：作者来自华盛顿大学。文章关注网络结构数据的链路预测问题，传统的启发式链路预测方法使用分数函数衡量链路的可能性，但是他们都有强假设条件，无法适用于非假设情况。针对这种情况，作者提出通过学习目标链路周围的封闭子图来预测该链路，并提出一种新的γ衰减的启发式理论，可以将所有链路预测的启发式方法统一到一个框架中。