本研究提出了一种边赋能的图特征偏好学习框架，解决了图神经网络在节点与边特征连接性不足的问题。该框架通过多维边特征矩阵构建多通道滤波器，增强了节点特征的捕捉能力，实验结果表明其在异构图数据集上表现优异，具有广泛的应用前景。

本文回顾了图机器学习的最新发展，讨论了LLMs提高图特征质量、减少对标记数据依赖、解决图的异质性和分布外泛化等挑战的方法。同时研究了图如何增强LLMs，并突出了它们在预训练和推理中的能力。最后，探讨了该领域的应用和未来方向。

我们测试了拓扑数据分析（TDA）的优点，发现其对异常值的鲁棒性和解释性。然而，在实验中，TDA并未显著提高现有方法的预测能力，反而增加了计算成本。我们研究了与图特征相关的现象，如小直径和高聚类系数，以减轻TDA计算的开销。这为将TDA整合到图机器学习任务中提供了宝贵的观点。

本研究使用图神经网络（GNN）预测伦敦某天的天气和星期几，数据集为桑坦德自行车共享系统。模型基于土地利用特征、自行车站周围家庭数量和城市温度等图特征，通过引入训练节点嵌入的图特征拼接运算符和以地理相邻性为基础的图粗化运算符「空间图粗化」，在交叉熵损失和验证数据集准确率上优于基准模型。