本研究提出符号图排序器（SGR），旨在提升大语言模型（LLMs）在会话搜索中的表现。通过将会话图转化为文本，增强了对图结构的理解，并通过自监督学习提升拓扑信息的捕捉能力。实验结果表明，该方法在基准数据集上表现优越，促进了传统搜索策略与现代LLMs的融合。

VoroNav是一种新颖的语义探索框架，能够在陌生环境中实现零样本物体导航。通过提取Reduced Voronoi Graph路径，并结合拓扑和语义信息，VoroNav提高了导航成功率和探索效率，验证了其在HM3D和HSSD数据集上的优势。

本文提出了一种新的多尺度框架卷积设计，用于谱图神经网络，提高了对嘈杂图信号的鲁棒性。该方法利用异构图神经网络和多级图分析，嵌入了元路径上的拓扑信息。实验结果表明，该方法在异构图和同构图中表现出优越性能。

该论文提出了一种新的框架，通过学习高阶关系和拓扑信息来实现人物重识别。使用CNN和关键点估计模型进行特征提取，并将其视为图的节点，提出了自适应方向图卷积层和交叉图嵌入对齐层。通过优化图匹配和节点嵌入来最终匹配人员，并在遮挡的数据集上取得了优越的效果。