本文提出了一种基于随机游走的框架，通过优化技术和收集样本来估算任何规模的图形统计数据，并取得了在准确性和时间成本方面都优于现有技术的效果。
Mar, 2016
新的信息理论方法揭示加权和定向网络中的社区结构，例如 6000 多种期刊的引用模式，发现多中心组织以及学科之间的定向引用模式。
Jul, 2007
本文主要介绍了一种压缩社交网络图的方法，通过将聚类和有序排列相结合的方式，提出了一种名为 Layered Label Propagation 的算法，并在大数据场景下通过过度分解方法实现了对超过 6 亿个节点的图重新排序并压缩，使得在对一系列 web graphs 以及 social networks 的试验中，其压缩效果相比于现有技术都有显著提高，从而能够快速分析大规模图数据。
Nov, 2010
本文提出了一种新的高阶随机图嵌入方法（SGE），主要通过一种新的随机搜索过程来提取 / 采样无限高阶图小区域，并将其分布映射到一个给定的图，然后结合最大间隔分类器，能够对数据进行图像识别，并在标准基准数据库上得到了积极的影响。
Feb, 2017
本研究提出一种基于深层分解的体系结构，以学习大型图的有效表示。通过在图的分解层次上展开神经网络模板，解决通常表征社交网络图的高度可变性。采用领域压缩技术，减少空间和时间复杂性，实验证明该方法与当前最先进的图分类方法具有竞争力。
Mar, 2017
研究了利用多尺度分解通过层次拓扑信息的新型体系结构，并通过 Girvan-Newman 层次聚类算法生成了一棵树，使得架构可以学习从粗到细的多尺度潜在空间表示，并在基准引文网络上表现出竞争力。
Jun, 2020
通过引入轨道连接来捕捉所有拓扑邻域信息，我们提出了一个新的网络嵌入方法，与基于随机游走的方法相比，能够更好地预测节点标签，证明了包括随机游走无法捕捉到的拓扑邻域信息的重要性。
May, 2024
该研究分析了 Facebook 活跃用户的社交网络结构，包括全局结构、聚类、同配性等，证实了 “六度分隔” 现象的存在，并发现该网络的邻域高度聚集。该研究与较小社交网络的结构特征进行了比较，发现了大多数共同点。
Nov, 2011
本文通过实证研究探索了多个领域的真实超图数据集，并引入多级分解方法，探讨了其五个结构特性，为超图生成问题建立了基础，并提出了一个简单而有效的超图生成器模型。
提出了一种由附加信息引导的新颖图聚类方法，将问题形式化为将观察到的图的 n 个顶点（要聚类）与 k 个顶点的模板图匹配，使用其边缘作为支持信息，并在正交矩阵集合上放松，易于找到 k 维嵌入。通过编码聚集的密度和他们的关系的相关先验，我们的方法在特别具有挑战性的情况下优于传统方法。
Jul, 2021