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
本文提出了一种基于抽样的算法，有效地从大规模网络中准确估算子图统计量，并展示实验结果表明其能更加快速地完成与现行技术相同准确度的查询量（样本量）
Jun, 2013
本文提出了一种新的算法 Waddling Random Walk（WRW），用于估计任意大小的图相对浓度，并通过在可访问的节点路径上进行随机游走来采样子图以提高计算效率、精度与准确性。通过使用广泛使用的图形数据集，该算法在速度、精度和准确性方面都优于当前最先进的挖掘子图统计算法。
May, 2016
本文提出一种新的 $m$- 维随机游走采样方法，称为前沿采样，该方法在大规模实际网络图中表现出更低的估计误差，并且比随机顶点采样更适合采样图的度数分布尾部。
Feb, 2010
GNNS 是一种基于图神经网络的新型表示学习框架，可以高效地采样子图并估算其频率分布，达到与现有方法相当的准确性和显著的加速效果。
Jul, 2022
本文介绍了使用图结构对加权网络进行图元分解的方法，并使用具有可扩展性的 EM-Bron-Kerbosch 算法对其进行参数估计，探究了图元分解的计算复杂性、冗余性和预期精度等理论性质，并在 Facebook 的消息模式和 19 世纪的犯罪组织等实际数据上进行了应用和分析。
Mar, 2012
本研究通过随机微积分分析了基于拉普拉斯变换的击中时间度量法，并将其与布朗运动上的击中时间对应，证明该方法在处理几何图的基础度量、保留聚类倾向以及抗随机添加非几何性边缘方面具有优越性。
Nov, 2015
本篇研究提出了一种基于高阶网络结构的新型随机游走模型，探究高阶网络中的扩散过程及其对信息扩散的影响，旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。
Nov, 2019
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
本论文介绍了带标记的随机游走的概念，以此为基础对现有的一些利用随机游走的算法如 DeepWalk、node2vec 等进行了推广，可适用于传导学习、归纳学习以及具备属性的图形数据，并在多个领域的各种图形上验证了该算法的有效性。
Sep, 2017