01
建模growing graph的生成过程在社交网络和推荐系统中有着广泛的应用，但是由于冷启动问题，导致新加入的节点往往与原来的graph孤立。虽然现在有很多关于graph的新兴研究，但是大多数都没有解决这个问题。关键的难点在于模型学习为graph中的节点生成表示严重依赖于图的拓扑结构，但是新节点往往只有属性特征。该论文就着眼于这个问题，提出了统一的图卷积生成网络，通过对观察到的图数据构建的图生成序列进行采样，在生成模型中自适应地学习图中所有节点的表示。与此同时，还优化了由图重构项和基于KL散度的正则项组成的变分下界。
论文链接：https://arxiv.org/pdf/1903.02640.pdf
02
挖掘网络数据的一个挑战是找到有效的方式表示或编码图结构，让机器学习算法可以有效的利用这些数据。现在的一些方法主要考虑节点、边或者结构这一层面上的表示，而现实生活中的图，有时变的、多层级的、有化合物、脑神经网络等，都是一系列的图，而不是单一的图，这为图的比较和表示增加了不少难度。传统学习表示的方法依赖于hand-crafting 来提取图中的有用信息，比如统计特性、结构特征。
该论文则提出一种无监督的方式来学习一组graphs的嵌入表示，以应用于各种图数据挖掘的任务中。该方式用无监督神经网络学习输入的图数据的基本分布，以此来区别不同类别的网络。论文在三个不同的任务中评估了这种无监督的网络嵌入方法，包括图的聚类、分类和可视化。
论文链接：https://arxiv.org/pdf/1903.05980.pdf
03
这篇论文提出了一种针对temporal graphs的节点嵌入方法。本文的算法学习temporal graph的节点和边随时间的变化，并针对不同的任务，把这种动态结合到temporal node嵌入框架中。论文还提出了联合损失函数，通过结合历史时间嵌入来学习节点新的时间嵌入，这样来优化特定的任务，比如说链路预测。算法使用静态节点嵌入进行初始化，随后在不同的时间点对节点的表示进行对齐，最后在联合优化中适用于给定的任务。论文在链路预测和多标签节点分类两个任务上进行了实验，该方法表现出了更优的性能。
论文链接：https://arxiv.org/pdf/1903.08889.pdf
04
论文基于一致性聚类（consensus clustering）的概念，提出了一种针对图的聚类融合算法（ECG）。为了验证方法，论文通过考虑更加广泛的基准参数来扩展比较，生成具有不同属性的图。相较于之前的方法，ECG算法缓和了分辨率限制问题以及提高了聚类的稳定性。
论文链接：https://arxiv.org/pdf/1903.08012.pdf
05
该论文介绍了subgraph network（SGN）的概念，并将其应用到网络模型中，设计了构造一阶和二阶子图网络的算法。SGN可以用于拓展底层网络的结构特征空间，有利于网络分类。实验数据表明，基于带有一阶或者二阶SGN的原始网络特征的网络分类模型表现要比仅有一两个这样网络的模型好。换句话说，SGN的网络结构特征可以补充原始网络的结构特征。
论文链接：https://arxiv.org/pdf/1903.09022.pdf
