本研究提出了一种共访超图模型，以解决传统移动模型忽视高阶关系的问题。通过分析个体的移动轨迹，构建动态移动行为超图，展示其在城市移动模式分析及应对外部干扰方面的有效性，具有广泛的应用潜力。

本研究探讨了使用图而非超图进行建模的影响，提出了超图投影导致高阶关系丢失的两个模式，并量化了恢复丢失高阶结构的不可能性。通过学习的超图重建方法在真实数据集上展示了良好性能，并展示了重建超图的优势。

该文章介绍了一种基于图卷积的大型语言模型方法，通过捕捉用户-物品图中的高阶关系来改进描述文本。实验结果表明该方法在真实世界的数据集上优于现有的最先进方法。

本研究发现使用图而非超图来表示实际世界互联系统会导致高阶关系丢失，并量化了恢复丢失高阶结构的组合不可能性。基于学习的超图重建方法在8个真实世界数据集上展示了良好性能，并通过蛋白质排名和链接预测的用例展示了重建超图的优势。

该研究提出了一种拓扑引导的超图变换网络，通过学习图中高阶关系，将节点的拓扑和空间信息融入其表示，并提出了一种结构感知的自注意机制。实验证明，该模型在节点分类任务上表现优异。

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。

该研究提出了一种新的超图学习方法，用于异构信息网络中的节点分类。该方法使用超图捕捉节点之间的高阶关系和提取语义信息，并利用原型提升学习过程的稳健性。实验验证了该方法在三个真实世界的异构信息网络中的有效性。