本研究提出了GraphGPT-O，旨在解决多模态大语言模型在处理多模态属性图时整合关系和语义信息的问题。该方法通过线性化变体和分层对齐器，在多个领域的数据集上表现优异，展现出重要的应用潜力。

本研究提出了GraphRPM框架，用于在工业环境中挖掘大型属性图上的风险模式。该工具结合边相关图同构网络和优化的并行计算，降低了计算复杂性，支持有效的风险模式筛选，提升了工业应用的可解释性。

本文探讨了不同类型图的图神经网络（GNNs）表达能力，提出了1-WL测试，并证明GNNs与1-WL测试在区分动态图和属性图方面具有相同的能力，并能模拟1-WL测试。