企业官网建设流程全解析

• 文档
• 知识库
• 机器学习

KDD 2019 是图深度学习研究的一座重要里程碑：理论分析、网络嵌入、异构图、知识图谱推荐、对抗鲁棒性、时序依赖等多个方向在这一年集中爆发。本文以 graph-based-deep-learning-literature 仓库中 KDD 2019 分类索引 为骨架，完整梳理其收录的 31 篇论文、8 大主题分类与逐篇元数据，并说明如何利用该仓库的结构化目录（每篇论文一个子目录、附标准 BibTeX 与官方链接）快速定位、引用与追踪相关研究。读完本文，你将掌握该文献库在 KDD 2019 年度的全部内容脉络，并学会按主题、按论文逐层下钻的检索方法。

文档定位：一份按主题组织的 KDD 2019 图学习论文索引

在 graph-based-deep-learning-literature 仓库中，KDD 2019 索引文档 是当年 KDD 收录论文的汇总入口。它位于年度目录 2019 之下，与同年其他会议（NeurIPS、ICML、ICLR、CVPR、ACL、EMNLP、IJCAI 等）的索引文档平级，构成完整的年度文献体系。

该文档的编排逻辑非常清晰：先按研究主题划分为 8 个大类，再在每个大类下罗列论文条目，每条论文以可点击的标题链接指向仓库内对应的子目录 README。整体结构如下：

如何阅读子目录：每篇论文的"标准卡片"

索引文档中的每个条目都链接到仓库内的一个独立子目录，例如 Cluster-GCN 子目录。这些子目录 README 采用统一的"标准卡片"格式，包含两部分：

1. 完整 BibTeX 引用条目（作者、标题、booktitle、页码、年份，可直接复制进论文或学术工具）；
2. links 链接清单，按官方来源分类，例如 kdd（KDD 官网页面）、acm（ACM Digital Library）、arXiv（预印本）、code（官方实现仓库）、spotlight（会议报告视频）、project_page（项目主页）等。

以 Cluster-GCN 为例，其子文档中的 BibTeX 完整记录如下：

@inproceedings{clustergcn_kdd19, author = {Chiang, Wei-Lin and Liu, Xuanqing and Si, Si and Li, Yang and Bengio, Samy and Hsieh, Cho-Jui}, title = {Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks}, booktitle = {Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD)}, pages = {257--266}, year = {2019} }

这种"索引文档 → 子目录卡片 → BibTeX + 官方链接"的三级结构，是检索该仓库文献的核心操作路径：从分类索引确定论文，进入子目录获取可复制的引用元数据，再按需跳转到官方渠道。

Theoretical Analysis：图卷积网络的理论基石

理论分析是本索引的第一个主题，回答"GCN 为什么有效、何时失效"的基础问题：

• Stability and Generalization of Graph Convolutional Neural Networks（Verma 与 Zhang，第 1539–1548 页）：系统研究 GCN 的稳定性与泛化能力，从理论上刻画图卷积对结构扰动的敏感度以及模型在新图上的泛化边界，子文档同时提供了 arXiv 预印本与 KDD 会议报告视频链接。
• DEMO-Net: Degree-specific Graph Neural Networks for Node and Graph Classification（Wu、He 与 Xu，第 406–415 页）：提出度特定的 GNN 架构，针对不同节点度设计差异化卷积核，同时面向节点分类与图分类任务；子文档标注了官方 code 链接，是少数附实现仓库的理论型工作之一。

Network Embedding：从单向量到多条件、多义性的表示学习

网络嵌入是该索引收录最多的主题之一，六篇论文分别从不同角度突破"一个节点一个向量"的经典假设：

• MCNE: An End-to-End Framework for Learning Multiple Conditional Network Representations of Social Network（Wang 等，第 1064–1072 页）：端到端学习社交网络的多种条件表示，让同一节点在不同条件/上下文下拥有不同的嵌入。
• Is a Single Vector Enough? Exploring Node Polysemy for Network Embedding（Liu 等，第 932–940 页）：直面节点的"多义性"问题，论证单向量不足以表达节点在多种语义下的角色。
• Learning Network-to-Network Model for Content-rich Network Embedding（He 等，第 1037–1045 页）：针对富含文本等内容的网络，提出网络到网络（Network-to-Network）的映射式嵌入方法，子文档附官方 code 链接。
• Graph Recurrent Networks with Attributed Random Walks（Huang 等，第 732–740 页）：将属性随机游走与图循环网络结合，在游走序列上建模节点表示。
• A Representation Learning Framework for Property Graphs（Hou 等，第 65–73 页）：面向属性图（Property Graph）提出统一表示学习框架，同时处理节点属性与边属性。
• Representation Learning for Attributed Multiplex Heterogeneous Network（Cen 等，第 1358–1368 页）：面向带属性的多重异构网络（multiplex heterogeneous network）设计表示学习方法，子文档除 arXiv 外还提供了 project website 与官方 code 链接，便于复现。

Heterogeneous Graphs：异构图的建模与大规模实体链接

• HetGNN: Heterogeneous Graph Neural Network（Zhang 等，第 793–803 页）：经典异构 GNN 工作，通过"采样异构邻居 + 内容编码 + 类型聚合"的三段式设计处理异构图的节点表示学习，子文档附 KDD 会议 spotlight 视频链接。
• OAG: Toward Linking Large-scale Heterogeneous Entity Graphs（Zhang 等，第 2585–2595 页）：由清华大学与微软合作的大规模学术异构图链接系统（Open Academic Graph），论文页数在本次索引中篇幅最长（约 11 页），代表工业级异构图实践。

Intent Recommendation：异构信息融合的意图推荐

• IntentGC: a Scalable Graph Convolution Framework Fusing Heterogeneous Information for Recommendation（Zhao 等，第 2347–2357 页）：面向推荐场景的可扩展图卷积框架，将用户-物品间多种异构交互融合为统一图信号，子文档提供 arXiv 与 spotlight 链接。
• Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation（Fan 等，第 2478–2486 页）：利用元路径（metapath）引导异构 GNN 捕捉用户意图，是元路径范式在推荐任务中的代表性应用。

Knowledge Graphs：知识图谱驱动的推荐与重要性估计

• Knowledge Graph Convolutional Networks for Recommender Systems with Label Smoothness Regularization（Wang 等，第 968–977 页）：将知识图谱引入推荐系统，并借助标签平滑正则化缓解标签稀疏问题；注意子文档中的正式标题为 "Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems"，与索引文档标题略有差异，引用时建议以 BibTeX 为准。
• KGAT: Knowledge Graph Attention Network for Recommendation（Wang 等，第 950–958 页）：以注意力机制显式建模知识图谱中的高阶关系，是知识图谱推荐方向的标杆工作，子文档附官方 code 链接（knowledge_graph_attention_network）。
• Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks（Park 等，第 596–606 页）：将 GNN 用于知识图谱节点重要性估计，子文档提供 arXiv 与 spotlight 链接。

Robustness：对抗攻击下的鲁棒与可认证防御

• Robust Graph Convolutional Networks Against Adversarial Attacks（Zhu 等，第 1399–1407 页）：面向图结构被扰动时的鲁棒 GCN 设计，子文档提供 KDD 与 ACM 官方页面链接。
• Certifiable Robustness and Robust Training for Graph Convolutional Networks（Zügner 与 Günnemann，第 246–256 页）：首次为 GCN 提供可认证（certifiable）的鲁棒性保证与对应的鲁棒训练方法，子文档除 arXiv 外还附官方 code 链接（robust-gcn），是该主题中可复现性较强的论文。

Temporal Dependencies：时序交互与演化图建模

• Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks（Kumar、Zhang 与 Leskovec，第 1269–1278 页）：即 JODIE 模型，联合预测时序交互网络中节点的动态嵌入轨迹与未来交互。需要注意的是，该论文的实际子文档位于 publications_cvpr19/jodie_cvpr19/README.md，其 BibTeX 中标明的 booktitle 为 KDD、key 为jodie_kdd19；KDD 索引文档将其归入 Temporal Dependencies 主题，子文档提供了 arXiv、项目主页（SNAP JODIE）与官方 code 链接。
• Predicting Path Failure In Time-Evolving Graphs（Li 等，第 1279–1289 页）：在随时间演化的图中预测路径失效风险，面向网络运维等实际场景，子文档提供 arXiv 与 spotlight 链接。

Miscellaneous：池化、大规模训练与跨学科应用

Miscellaneous 大类收录了 12 篇论文，覆盖方法创新与多领域应用，是本次索引中信息量最丰富的部分：

• Graph Convolutional Networks with EigenPooling（Ma 等，第 723–731 页）：基于特征分解（eigenvalue/eigenvector）的图池化方法，为层次化图表示学习提供新工具，附 arXiv 链接。
• Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks（Chiang 等，第 257–266 页）：通过图聚类将大规模图切分为可独立训练的簇，缓解邻域爆炸、支持深层大图训练，是规模化 GNN 训练的经典方法，子文档附独立 implementation 仓库链接（ClusterGCN）。
• Exact-K Recommendation via Maximal Clique Optimization（Gong 等，第 617–626 页）：用最大团优化解决精确 K 推荐问题，附 arXiv 与 spotlight 链接。
• Graph Representation Learning via Hard and Channel-Wise Attention Networks（Gao 与 Ji，第 741–749 页）：同时采用硬注意力与通道级注意力进行图表示学习，子文档另附 poster PDF 链接。
• Conditional Random Field Enhanced Graph Convolutional Neural Networks（Gao、Pei 与 Huang，第 276–284 页）：将条件随机场与 GCN 结合，增强节点分类的结构一致性建模。
• Learning Dynamic Context Graphs for Predicting Social Events（Deng、Rangwala 与 Ning，第 1007–1016 页）：动态构建上下文图以预测社会事件，附 spotlight 链接。
• Graph Transformation Policy Network for Chemical Reaction Prediction（Do、Tran 与 Venkatesh，第 750–760 页）：以图变换策略网络将化学反应预测建模为顺序决策问题，附 arXiv 链接。
• GCN-MF: Disease-Gene Association Identification By Graph Convolutional Networks and Matrix Factorzation（Han 等，第 705–713 页）：GCN 与矩阵分解结合的疾病-基因关联识别，面向生物医学应用（注意标题中 "Factorzation" 为原文拼写，引用时保持 BibTeX 原样）。
• Origin-Destination Matrix Prediction via Graph Convolution: a New Perspective of Passenger Demand Modeling（Wang 等，第 1227–1235 页）：将图卷积引入出行 OD 矩阵预测，为乘客需求建模提供新视角。
• AutoNRL: Hyperparameter Optimization for Massive Network Representation Learning（Tu 等，第 216–225 页）：针对大规模网络表示学习的超参数自动优化框架（子文档 BibTeX 中题名为 AutoNE，索引中为 AutoNRL，引用时建议核对原文）。
• Characterizing and Forecasting User Engagement with In-app Action Graph: A Case Study of Snapchat（Liu 等，第 2023–2031 页）：以 Snapchat 应用内行为图为案例刻画并预测用户参与度，子文档附官方 code 链接（temporal-gcn-lstm）。
• Automating Feature Subspace Exploration via Multi-Agent Reinforcement Learning（Liu 等，第 207–215 页）：用多智能体强化学习自动探索特征子空间，属于 AutoML 与图方法的交叉。

跨会议追踪：KDD 2019 论文在年度体系中的位置

除本索引外，这些论文还会在其他聚合入口中出现。例如 2019 年度汇总文档 README.MD 的 KDD 2019 小节同样列出了全部论文（含 Cluster-GCN、GATNE、EigenPooling、KGAT 等），并使用<details>折叠标签组织长列表。此外，仓库根目录的 conference-publications/README.md 持续跟踪最新会议（如 2026 年各会议索引），可据此将 KDD 2019 的经典工作与后续年份的同类研究（如异构图、知识图谱推荐、鲁棒性方向）做纵向对比。

实用建议：如何高效使用这份索引

• 按主题速览：索引文档以 8 个主题分类组织，适合快速建立"KDD 2019 图学习全景"认知；寻找具体方向（如推荐、鲁棒性）时直接定位对应小节。
• 按论文下钻：点击论文标题进入子目录 README，复制标准 BibTeX，再通过 links 清单选择官方渠道（KDD/ACM/arXiv/code/spotlight）深入阅读原文或复现实现。
• 注意标题差异：个别论文在索引标题与子文档 BibTeX 标题之间存在措辞差异（如 kgcn_kdd19、autonrl_kdd19），学术引用时以 BibTeX 或官方论文为准。
• 跨目录定位：个别论文子目录与其索引位置不完全一致（如 JODIE 的 README 实际存放在 publications_cvpr19 下），沿本文给出的实际路径访问即可。

以上内容完全基于仓库内 KDD 2019 索引 及其 31 篇论文子文档的实际记录整理，所有链接均指向仓库内已确认存在的文件。

• 文档
• 知识库
• 机器学习