图数据管理和挖掘、图智能体

主要研究基于大规模图数据管理和挖掘、图数据库查询优化技术的图智能体性能调优，可以分为以下三个方向：

1. 基于超大规模网络模体识别与统计显著性检验，辅助大模型检索知识图谱的目标节点并为信息聚合过程去噪，实现多维度异质数据的可解释性抽取：

    a. 基于大规模子图发现的网络模体识别：BEACON@ICDE26、MuSha @ICDE25、MOSER@VLDB24、CSCE@ICDE24、DDS @VLDBJ23、LINC @VLDB20、SAC @TKDE18、Spatial CS @TKDE17

    b. LLM+知识图谱子图去噪：ZeroEA @VLDB24

    c. 可解释子图数据抽取：Graph Rewiring @ICDE26、CD@ICDE24、Motif-Path@VLDB 2021

2. 面向图检索增强生成和图智能体，优化图检索策略设计和图推理过程评估优化：

    a. 检索重排中的知识冲突消解和表格数据分析：CoTA @ICML25、Micro-Act @ACL25

    b. 多跳问答的中间推理过程评估：PER @ACL25

3. 不同图数据库模型上的查询优化技术及其应用：

    a. 交通图模型：Hypergraph Weight Completion @TKDD25、FDM @IS24、Weight Completion @SDM22、Incident Detection @ICDE20

    b. 电力图模型：Subgraph RL @IJCAI26、EERL @IJCAI25、SOC Estimation @A.Anergy25、GMRL @PR25

    c. 电商图模型：HDRec@WSDM26、GenPlugin @DASFAA26、SC-DAG @CIKM25

    d. 生物图模型：Drug Repurposing @A.Therapeutics21 、MCypher@CIKM20

    e. 概率图模型：DURS@MDM19、UKNN@EDBT18