本研究提出了一种分段常数谱图神经网络（PieCoN），旨在解决现有谱图神经网络在识别图谱特性时的复杂性和性能瓶颈。通过结合分段常数滤波器与多项式滤波器，PieCoN能够更灵活地利用图结构，提升谱特性学习能力。实验结果表明，该方法在异构图数据集上表现优异，具有广泛的应用潜力。

本研究提出了一种新方法，通过将句子自动转换为图结构，提升自然语言处理的可解释性。实验结果表明，该方法在识别文本关键信息方面表现优异。

本研究提出了一种新方法，通过优化图结构数据，实现公平的机器遗忘，解决公平性与隐私合规性之间的矛盾，显著提高遗忘效率并确保公平遗忘的可靠性。

本研究提出PIE框架，克服了大型语言模型在复杂图结构处理中的局限性。通过问题理解、提示设计和代码生成，PIE在准确性和计算效率上优于现有方法，展现出重要的应用潜力。

本研究探讨图结构组合优化问题的复杂性，提出将图形转化为图像以保留高阶结构特征，从而提升机器的空间推理能力。研究表明，多模态大型语言模型在图结构数据分析中展现出卓越的智能和理解能力。

本研究探讨了大型语言模型在节点分类中的图结构建模局限性，提出了图定义语言框架（GDL4LLM），通过将图转化为语言语料库，提升了大型语言模型对图结构的理解，并在实际数据集上验证了其优势。

本研究提出MotifGPL框架，旨在解读城市社会隔离的复杂性。该框架通过图结构原型学习和模式分布发现，有效提取影响城市隔离的关键模式，为缓解社会隔离提供实证指导。

本研究提出了一种新方法，结合命名实体识别与大型语言模型嵌入，构建基于图的文档聚类框架。实验结果表明，该方法在处理命名实体丰富的文档时，聚类效果优于传统方法。

本研究提出了一种基于大型语言模型的算法，解决高维分子势能面计算问题。该算法通过图结构表示分子系统，利用神经网络处理子系统，成功构建了51维和186维化学系统的势能面，展示了在高维问题中的应用潜力。

一种新方法将图结构转化为适合Transformer的线性token序列，从而提升大语言模型对图关系的理解。研究表明，基于节点中心性和PageRank的线性化方法在图推理任务中表现优异，尤其在节点计数和最大度计算方面。

本研究解决了推荐系统可解释性不足的问题，分析了可解释图基推荐系统，提出了学习方法和解释框架。研究表明，图结构能够提升可解释性，增强用户信任与满意度，为未来研究指明方向。

本研究提出了一种新的图结构编码框架——基于同态计数的图案结构编码（MoSE），有效解决了图变换器的编码问题。MoSE在多种架构中优于其他编码方法，并在分子性质预测中取得了显著成果。

本研究分析语言模型在路径星任务中的不足，提出通过相同图结构样本的新正则化方法提升模型表现，证明该任务是可学习的，并为编码器模型提供了解决方案。

本研究提出了一种名为层次提示调优（HPT）的新方法，通过结合结构和常规语言知识建模，利用图结构提升提示有效性。HPT++显著提高了模型性能，展现了其在处理复杂关系方面的潜力和影响。

本文提出了一种新的图结构HiGNN，通过研究每个节点在图中的邻居分布来利用异质性中的宝贵语义信息，增强具有相似语义特征的节点之间的连接性。实证评估和与其他方法比较表明，HiGNN在改进图表示方面有效，并通过整合异质性信息提升了现有基于GNN的方法。

MolIG是一种多模态分子预训练框架，通过图像和图结构的一致性和相关性执行自监督任务，融合了分子图和分子图像的优势。MolIG在分子性质预测等任务中表现出更好的性能。

本文提出了一种利用图结构进行正样本-未标记样本节点分类的方法，通过引入同类偏执来增加准确的监督信息，并提出了一种正则化项，以使模型与图结构对齐。实证评估表明，该方法具有更卓越的性能。