基于分布式环境的图神经网络模型训练效率与训练性能评估

doi:10.11772/j.issn.1001-9081.2024081140

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (8): 2409-2420.DOI: 10.11772/j.issn.1001-9081.2024081140

• 2024年全国开放式分布与并行计算学术年会 (DPCS 2024) • 上一篇

基于分布式环境的图神经网络模型训练效率与训练性能评估

涂银川, 郭勇, 毛恒, 任怡(), 张建锋, 李宝

国防科技大学计算机学院，长沙 410073

收稿日期:2024-08-14 修回日期:2024-09-14 接受日期:2024-09-23 发布日期:2024-09-25 出版日期:2025-08-10
通讯作者: 任怡
作者简介:涂银川（1996—），男，湖北武汉人，硕士研究生，主要研究方向：图神经网络、云计算、分布式机器学习
郭勇（1988—），男，湖北荆州人，助理研究员，博士，主要研究方向：分布式计算、图计算
毛恒（1996—），男，安徽宿州人，硕士研究生，主要研究方向：图神经网络、分布式机器学习、边缘智能
张建锋（1984—），男，陕西宝鸡人，副研究员，博士，CCF会员，主要研究方向：操作系统、云计算、网络安全、智能处理
李宝（1982—），男，山东济南人，副研究员，博士，CCF会员，主要研究方向：云边协同计算、操作系统、智能处理。
基金资助:
湖南自然科学基金青年项目(2021JJ40678)

Evaluation of training efficiency and training performance of graph neural network models based on distributed environment

Yinchuan TU, Yong GUO, Heng MAO, Yi REN(), Jianfeng ZHANG, Bao LI

College of Computer Science and Technology，National University of Defense Technology，Changsha Hunan 410073，China

Received:2024-08-14 Revised:2024-09-14 Accepted:2024-09-23 Online:2024-09-25 Published:2025-08-10
Contact: Yi REN
About author:TU Yinchuan， born in 1996， M. S. candidate. His research interests include graph neural network， cloud computing， distributed machine learning.
GUO Yong， born in 1988， Ph. D.， assistant research fellow. His research interests include distributed computing， graph computing.
MAO Heng， born in 1996， M. S. candidate. His research interests include graph neural network， distributed machine learning， edge intelligence.
ZHANG Jianfeng， born in 1984， Ph. D.， associate research fellow. His research interests include operating system， cloud computing， network security， intelligent processing.
LI Bao， born in 1982， Ph. D.， associate research fellow. His research interests include cloud-edge collaborative computing， operating system， intelligent processing.
Supported by:
Youth Program of Natural Science Foundation of Hunan(2021JJ40678)

摘要/Abstract

摘要：

随着图数据规模的快速增长，图神经网络（GNN）在处理大规模图结构数据时面临计算和存储方面的挑战。传统的单机训练方法已不足以应对日益庞大的数据集和复杂的GNN模型，分布式训练凭借并行计算能力和可扩展性，成为解决这些问题的有效途径。然而，一方面，已有的分布式GNN训练评估主要关注以模型精度为代表的性能指标和以训练时间为代表的效率指标，而较少关注数据处理效率和计算资源利用方面的指标；另一方面，算法效率评估的主要场景为单机单卡或单机多卡，而已有的评估方法在分布式环境中的应用相对简单。针对这些不足，提出针对分布式场景的模型训练的评估方法，涵盖评估指标、数据集和模型这3个方面。根据评估方法，选取3个代表性GNN模型，在4个具有不同数据特征的大型公开图数据集上进行分布式训练实验，并收集和分析得到的评估指标。实验结果表明，分布式训练中的模型架构和数据结构特征对模型复杂度、训练时间、计算节点吞吐量和计算节点平均吞吐量之比（NATR）均有影响；样本处理与数据拷贝占用了模型训练较多时间，计算节点互相等待的时间也不容忽视；相较于单机训练，分布式训练的计算节点吞吐量有显著降低，且需要进一步优化分布式系统中的资源利用。可见，所提评估方法为GNN模型在分布式环境中的训练性能优化提供了参考依据，并为模型的进一步优化和算法的改进奠定了实验基础。

关键词: 模型评估, 图神经网络, 分布式训练, 训练效率, 训练性能

Abstract:

With the rapid growth of graph data sizes， Graph Neural Network （GNN） faces computational and storage challenges in processing large-scale graph-structured data. Traditional stand-alone training methods are no longer sufficient to cope with increasingly large datasets and complex GNN models. Distributed training is an effective way to address these problems due to its parallel computing power and scalability. However， on one hand， the existing distributed GNN training evaluations mainly focus on the performance metrics represented by model accuracy and the efficiency metrics represented by training time， but pay less attention to the metrics of data processing efficiency and computational resource utilization； on the other hand， the main scenarios for algorithm efficiency evaluation are single machine with one card or single machine with multiple cards， and the existing evaluation methods are relatively simple in a distributed environment. To address these shortcomings， an evaluation method for model training in distributed scenarios was proposed， which includes three aspects： evaluation metrics， datasets， and models. Three representative GNN models were selected according to the evaluation method， and distributed training experiments were conducted on four large open graph datasets with different data characteristics to collect and analyze the obtained evaluation metrics. Experimental results show that all of model complexity， training time， computing node throughput and computing Node Average Throughput Ratio （NATR） are influenced by model architecture and data structure characteristics in distributed training； sample processing and data copying take up much time in training， and the time of one computing node waiting for other computing nodes cannot be ignored either； compared with stand-alone training， distributed training reduces the computing node throughput significantly， and further optimization of resource utilization for distributed systems is needed. It can be seen that the proposed evaluation method provides a reference for optimizing the performance of GNN model training in a distributed environment， and establishes an experimental foundation for further model optimization and algorithm improvement.

Key words: model evaluation, Graph Neural Network (GNN), distributed training, training efficiency, training performance

中图分类号:

TP391

涂银川, 郭勇, 毛恒, 任怡, 张建锋, 李宝. 基于分布式环境的图神经网络模型训练效率与训练性能评估[J]. 计算机应用, 2025, 45(8): 2409-2420.

Yinchuan TU, Yong GUO, Heng MAO, Yi REN, Jianfeng ZHANG, Bao LI. Evaluation of training efficiency and training performance of graph neural network models based on distributed environment[J]. Journal of Computer Applications, 2025, 45(8): 2409-2420.

图/表 11

参考文献 45

[1]	YING R， HE R， CHEN K， et al. Graph convolutional neural networks for web-scale recommender systems［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2018： 974-983.
[2]	VATTER J， MAYER R， JACOBSEN H A. The evolution of distributed systems for graph neural networks and their origin in graph processing and deep learning： a survey［J］. ACM Computing Surveys， 2024， 56（1）： No.6.
[3]	SHAO Y， LI H， GU X， et al. Distributed graph neural network training： a survey［J］. ACM Computing Surveys， 2024， 56（8）： No.191.
[4]	DWIVEDI V P， JOSHI C K， LUU A T， et al. Benchmarking graph neural networks［J］. Journal of Machine Learning Research， 2023， 23： 1-48.
[5]	魏嘉，张兴军，王龙翔，等. 面向深度神经网络大规模分布式数据并行训练的MC²能耗模型［J］. 计算机研究与发展， 2024， 61（12）： 2985-3004.
	WEI J， ZHANG X J， WANG L X， et al. MC² energy consumption model for massively distributed data parallel training of deep neural network［J］. Journal of Computer Research and Development， 2024， 61（12）： 2985-3004.
[6]	WU J， SUN J， SUN H， et al. Performance analysis of graph neural network frameworks［C］// Proceedings of the 2021 IEEE International Symposium on Performance Analysis of Systems and Software. Piscataway： IEEE， 2021： 118-127.
[7]	ZHANG L， LU K， LAI Z， et al. Accelerating GNN training by adapting large graphs to distributed heterogeneous architectures［J］. IEEE Transactions on Computers， 2023， 72（12）： 3473-3488.
[8]	ZHANG L， LAI Z， TANG Y， et al. PCGraph： accelerating GNN inference on large graphs via partition caching［C］// Proceedings of the 19th IEEE International Symposium on Parallel and Distributed Processing with Applications/ 11th IEEE International Conference on Big Data and Cloud Computing/ 14th IEEE International Conference on Social Computing and Networking/ 11th IEEE International Conference on Sustainable Computing and Communications. Piscataway： IEEE， 2021： 279-287.
[9]	LIN H， YAN M， YE X， et al. A comprehensive survey on distributed training of graph neural networks［J］. Proceedings of the IEEE， 2023， 111（12）： 1572-1606.
[10]	MA L， YANG Z， MIAO Y， et al. NeuGraph： parallel deep neural network computation on large graphs［C］// Proceedings of the 2019 USENIX Annual Technical Conference. Berkeley： USENIX Association， 2019： 443-457.
[11]	CAI Z， ZHOU Q， YAN X， et al. DSP： efficient GNN training with multiple GPUs［C］// Proceedings of the 28th ACM SIGPLAN Annual Symposium on Principles and Practice of Parallel Programming. New York： ACM， 2023： 392-404.
[12]	WU X， SHI L， HE L， et al. TurboGNN： improving the end-to-end performance for sampling-based GNN training on GPUs［J］. IEEE Transactions on Computers， 2023， 72（9）： 2571-2584.
[13]	WU W， SHI X， HE L， et al. TurboMGNN： improving concurrent GNN training tasks on GPU with fine-grained kernel fusion［J］. IEEE Transactions on Parallel and Distributed Systems， 2023， 34（6）： 1968-1981.
[14]	SUN J， SU L， SHI Z， et al. Legion： automatically pushing the envelope of multi-GPU system for billion-scale GNN training［C］// Proceedings of the 2023 USENIX Annual Technical Conference. Berkeley： USENIX Association， 2023： 165-179.
[15]	WAN B， ZHAO J， WU C. Adaptive message quantization and parallelization for distributed full-graph GNN training［EB/OL］. ［2024-07-15］..
[16]	LIU H， LU S， CHEN X， et al. G³： when Graph neural networks meet parallel Graph processing systems on GPUs［J］. Proceedings of the VLDB Endowment， 2020， 13（12）： 2813-2816.
[17]	KALER T， ILIOPOULOS A S， MURZYNOWSKI P， et al. Communication-efficient graph neural networks with probabilistic neighborhood expansion analysis and caching［EB/OL］. ［2024-07-15］..
[18]	TEKDOĞAN T， GOKTAŞ S， YILMAZER-METIN A. gSuite： a flexible and framework independent benchmark suite for graph neural network inference on GPUs［C］// Proceedings of the 2022 IEEE International Symposium on Workload Characterization. Piscataway： IEEE， 2022： 146-159.
[19]	CHEN T， ZHOU K， DUAN K， et al. Bag of tricks for training deeper graph neural networks： a comprehensive benchmark study［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（3）： 2769-2781.
[20]	赵港，王千阁，姚烽，等. 大规模图神经网络系统综述［J］. 软件学报， 2022， 33（1）： 150-170.
	ZHAO G， WANG Q G， YAO F， et al. Survey on large-scale graph neural network systems［J］. Journal of Software， 2022， 33（1）： 150-170.
[21]	BARUAH T， SHIVDIKAR K， DONG S， et al. GNNMark： a benchmark suite to characterize graph neural network training on GPUs［C］// Proceedings of the 2021 IEEE International Symposium on Performance Analysis of Systems and Software. Piscataway： IEEE， 2021： 13-23.
[22]	LV Q， DING M， LIU Q， et al. Are we really making much progress？ revisiting， benchmarking and refining heterogeneous graph neural networks［C］// Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2021： 1150-1160.
[23]	WU F， DE SOUZA A H， Jr， ZHANG T， et al. Simplifying graph convolutional networks［C］// Proceedings of the 36th International Conference on Machine Learning. New York： JMLR.org， 2019： 6861-6871.
[24]	KIPF T N， WELLING M. Semi-supervised classification with graph convolutional networks［EB/OL］. ［2024-07-15］..
[25]	GILMER J， SCHOENHOLZ S S， RILEY P F， et al. Neural message passing for quantum chemistry［C］// Proceedings of the 34th International Conference on Machine Learning. New York： JMLR.org， 2017： 1263-1272.
[26]	DEARING M T， WANG X. Analyzing the performance of graph neural networks with pipe parallelism［EB/OL］. ［2024-07-15］..
[27]	LIN H， YAN M， YANG X， et al. Characterizing and understanding distributed GNN training on GPUs［J］. IEEE Computer Architecture Letters， 2022， 21（1）： 21-24.
[28]	WANG Z， WANG Y， YUAN C， et al. Empirical analysis of performance bottlenecks in graph neural network training and inference with GPUs［J］. Neurocomputing， 2021， 446： 165-191.
[29]	SHCHUR O， MUMME M， BOJCHEVSKI A， et al. Pitfalls of graph neural network evaluation［EB/OL］. ［2024-07-15］..
[30]	HU W， FEY M， ZITNIK M， et al. Open graph benchmark： datasets for machine learning on graphs［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2020： 22118-22133.
[31]	NVIDIA Developer. NVIDIA visual profiler［EB/OL］. ［2024-07-15］..
[32]	VILLA O， STEPHENSON M， NELLANS D， et al. NVBit： a dynamic binary instrumentation framework for NVIDIA GPUs［C］// Proceedings of the 52nd Annual IEEE/ACM International Symposium on Microarchitecture. New York： ACM， 2019： 372-383.
[33]	ZHENG D， MA C， WANG M， et al. DistDGL： distributed graph neural network training for billion-scale graphs［C］// Proceedings of the IEEE/ACM 10th Workshop on Irregular Applications： Architectures and Algorithms. Piscataway： IEEE， 2020： 36-44.
[34]	KETKAR R， LIU Y， WANG H， et al. A benchmark study of graph models for molecular acute toxicity prediction［J］. International Journal of Molecular Sciences， 2023， 24（15）： No.11966.
[35]	FEY M， LENSSEN J E. Fast graph representation learning with PyTorch Geometric［EB/OL］. ［2024-07-15］..
[36]	FUNG V， ZHANG J， JUAREZ E， et al. Benchmarking graph neural networks for materials chemistry［J］. npj Computational Materials， 2021， 7： No.84.
[37]	LI F， FENG J， YAN H， et al. Dynamic graph convolutional recurrent network for traffic prediction： benchmark and solution［J］. ACM Transactions on Knowledge Discovery from Data， 2023， 17（1）： No.9.
[38]	CoraFullDataset — DGL 2.2.1 documentation［DS/OL］. ［2024-07-15］..
[39]	RedditDataset — DGL 2.2.1 documentation［DS/OL］. ［2024-07-15］..
[40]	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks［EB/OL］. ［2024-07-15］..
[41]	HAMILTON W L， YING R， LESKOVEC J. Inductive representation learning on large graphs［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 1025-1035.
[42]	PASZKE A， GROSS S， MASSA F， et al. PyTorch： an imperative style， high-performance deep learning library［C］// Proceedings of the 33rd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2019： 8026-8037.
[43]	WANG M， ZHENG D， YE Z， et al. Deep graph library： a graph-centric， highly-performant package for graph neural networks［EB/OL］. ［2024-07-15］..
[44]	ABADI M， AGARWAL A， BARHAM P， et al. TensorFlow： large-scale machine learning on heterogeneous distributed systems［EB/OL］. ［2024-07-15］..
[45]	CHEN T， LI M， LI Y， et al. MXNet： a flexible and efficient machine learning library for heterogeneous distributed systems［EB/OL］. ［2024-07-15］..

数据集	节点数	边数	平均度数	节点特征维度	类别数	应用领域
CoraFull^［36］	19 793	126 842	6.41	8 710	70	引文网络
ogbn-arxiv^［30］	169 343	1 166 243	6.89	128	40	引文网络
Reddit^［39］	232 965	114 615 892	491.99	602	41	社交网络
ogbn-products^［30］	2 449 029	61 859 140	25.26	100	47	推荐系统

数据集	节点数	边数	平均度数	节点特征维度	类别数	应用领域
CoraFull^［36］	19 793	126 842	6.41	8 710	70	引文网络
ogbn-arxiv^［30］	169 343	1 166 243	6.89	128	40	引文网络
Reddit^［39］	232 965	114 615 892	491.99	602	41	社交网络
ogbn-products^［30］	2 449 029	61 859 140	25.26	100	47	推荐系统

模型	基本概念	参数共享	计算效率	灵活性	抗过平滑
GCN	图卷积	是	高	低	低
GAT	注意力	否	中	高	高
GraphSAGE	采样聚合	是	高	高	中

模型	基本概念	参数共享	计算效率	灵活性	抗过平滑
GCN	图卷积	是	高	低	低
GAT	注意力	否	中	高	高
GraphSAGE	采样聚合	是	高	高	中

模型	聚合方式	学习率	激活函数	dropout
GCN	求和	0.003	ReLU	0.5
GAT	注意力机制	0.003	ReLU	0.5
GraphSAGE	均值	0.003	ReLU	0.5

基于分布式环境的图神经网络模型训练效率与训练性能评估

Evaluation of training efficiency and training performance of graph neural network models based on distributed environment

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 45

相关文章 15

编辑推荐

Metrics

数据集名称	分区数量	分区特征	分区1	分区2	分区3	分区4	分区5	分区6	分区7	分区8
CoraFull	4	节点	6 245	7 054	6 580	6 056	—	—	—	—
		节点	5 095	5 095	5 095	4 584	—	—	—	—
		边	33 962	35 316	33 994	35 482	—	—	—	—
		边	31 797	31 656	30 933	32 456	—	—	—	—
	8	节点	3 548	3 979	3 896	3 561	3 776	3 576	4 031	3 681
		节点	2 545	2 546	2 396	2 161	2 530	2 539	2 543	2 533
		边	17 482	18 838	19 334	17 852	17 304	18 008	18 454	18 182
		边	15 783	16 305	16 216	14 874	15 312	16 184	16 040	16 128
ogbn-arxiv	4	节点	72 166	73 705	79 222	69 758	—	—	—	—
		节点	42 151	43 591	42 842	40 759	—	—	—	—
		边	349 845	386 028	408 835	410 273	—	—	—	—
		边	304 982	343 654	343 477	343 473	—	—	—	—
	8	节点	50 225	49 622	45 405	44 941	45 008	50 709	49 064	45 018
		节点	21 777	21 801	19 599	21 449	21 776	20 912	20 229	21 800
		边	215 378	212 008	223 712	213 756	186 270	208 424	201 564	192 607
		边	171 879	171 701	171 928	171 784	153 345	171 954	159 784	163 211
Reddit	4	节点	203 689	167 999	175 006	168 965	—	—	—	—
		节点	53 928	59 455	59 570	60 012	—	—	—	—
		边	34 882 726	33 785 415	33 495 268	33 354 912	—	—	—	—
		边	29 214 769	28 417 939	28 841 090	28 375 059	—	—	—	—
	8	节点	140 091	124 022	178 234	141 059	121 485	166 820	117 723	150 886
		节点	30 030	25 490	30 035	29 887	29 800	29 914	29 416	28 393
		边	17 578 366	19 521 642	20 797 883	19 818 501	16 708 704	16 124 892	16 446 438	19 275 925
		边	13 865 509	14 724 005	14 803 007	14 736 263	14 762 642	12 743 840	14 412 564	14 801 027
ogbn-products	4	节点	1 073 131	992 338	1 012 637	972 605	—	—	—	—
		节点	610 657	615 415	592 322	630 635	—	—	—	—
		边	35 653 651	34 895 467	31 336 778	34 031 337	—	—	—	—
		边	32 481 110	32 374 997	29 612 148	31 698 798	—	—	—	—
	8	节点	566 183	553 209	578 443	61 531	526 883	606 943	628 995	609 695
		节点	315 327	309 400	310 846	261 228	315 322	314 885	307 820	314 201
		边	16 941 573	16 402 542	17 432 828	17 087 742	17 007 390	17 469 477	17 848 086	17 167 751
		边	15 681 661	15 388 305	15 815 285	15 341 841	16 084 289	15 962 365	16 113 958	15 779 349

数据集	模型	总时间/s	样本采样与数据拷贝		前向传播		反向传播		参数更新
数据集	模型	总时间/s	时间/s	占比/%	时间/s	占比/%	时间/s	占比/%	时间/s	占比/%
CoraFull	GCN	26.84	5.98	22.28	4.69	17.47	1.50	5.59	1.03	3.84
	GAT	125.47	19.12	15.24	18.81	14.99	10.35	8.25	2.93	2.34
	GraphSAGE	178.64	23.29	13.04	19.11	10.70	10.23	5.73	2.06	1.15
ogbn-arxiv	GCN	44.98	12.18	27.08	8.68	19.30	2.62	5.82	1.41	3.13
	GAT	186.95	40.35	21.58	33.54	17.94	16.59	8.87	3.06	1.64
	GraphSAGE	256.18	63.97	24.97	38.65	15.09	15.83	6.18	2.48	0.97
Reddit	GCN	372.26	34.47	9.26	20.20	5.43	5.98	1.61	1.43	0.38
	GAT	569.16	35.93	6.31	31.45	5.53	13.02	2.29	2.51	0.44
	GraphSAGE	811.44	45.84	5.65	27.05	3.33	11.56	1.42	2.34	0.29
ogbn-products	GCN	295.20	58.39	19.78	22.82	7.73	7.34	2.49	1.69	0.57
	GAT	438.68	65.00	14.82	52.34	11.93	23.63	5.39	3.68	0.84
	GraphSAGE	599.61	76.82	12.81	54.42	9.08	24.84	4.14	3.27	0.55

模型	CoraFull	ogbn-arxiv	Reddit	ogbn-products
GCN	38.83	8.19	15.69	14.26
GAT	9.82	3.01	8.39	5.67
GraphSAGE	5.92	1.50	5.46	4.87

[1]	陈丹阳, 张长伦. 多尺度去相关的图卷积网络模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2180-2187.
[2]	张悦岚, 苏静, 赵航宇, 杨白利. 基于知识感知与交互的多视图蒸馏推荐算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2211-2220.
[3]	梁辰, 王奕森, 魏强, 杜江. 基于Tsransformer-GCN的源代码漏洞检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2296-2303.
[4]	张子墨, 赵雪专. 多尺度稀疏图引导的视觉图神经网络[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2188-2194.
[5]	姜超英, 李倩, 刘宁, 刘磊, 崔立真. 基于图对比学习的再入院预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1784-1792.
[6]	党伟超, 温鑫瑜, 高改梅, 刘春霞. 基于多视图多尺度对比学习的图协同过滤[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1061-1068.
[7]	王聪, 史艳翠. 基于多视角学习的图神经网络群组推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1205-1212.
[8]	田仁杰, 景明利, 焦龙, 王飞. 基于混合负采样的图对比学习推荐算法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1053-1060.
[9]	游兰, 张雨昂, 刘源, 陈智军, 王伟, 曾星, 何张玮. 基于协作贡献网络的开源项目开发者推荐[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1213-1222.
[10]	蔡启健, 谭伟. 语义图增强的多模态推荐算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 421-427.
[11]	马汉达, 吴亚东. 多域时空层次图神经网络的空气质量预测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 444-452.
[12]	余肖生, 王智鑫. 基于多层次图对比学习的序列推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 106-114.
[13]	程子栋, 李鹏, 朱枫. 物联网威胁情报知识图谱中潜在关系的挖掘[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 24-31.
[14]	赵文博, 马紫彤, 杨哲. 基于有向超图自适应卷积的链接预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 15-23.
[15]	唐廷杰, 黄佳进, 秦进. 基于图辅助学习的会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2711-2718.