本文介绍了一种新的查询扩展方法，使用局部训练的嵌入学习与概念层次结构作为指导，提高了专家发现任务的效果。同时，考虑异构网络中不同类型对象之间的相互作用，提出了一种排名算法来估计网络中对象的权威性，单独处理每一种强类型边缘连接，从而在大规模的文献数据集中显著提高了检索质量。

Mar, 2018

这篇论文介绍了使用连续强化学习和深度内容嵌入相结合的半监督联合学习框架以自动发现对于两个节点组对的有用路径来解决异构网络中复杂节点相似性建模的挑战，并且通过实验表明了该算法的出色性能。

Sep, 2019

该论文提出了一种新颖的自我引导随机游走方法，将异构网络嵌入到双曲空间中进行嵌入，无需使用领域特定的先验知识进行元路径选择，实验证明该方法在网络重建和连接预测方面表现优异。

Jun, 2021

本研究提出一个统一框架用于学习复杂网络的多种嵌入表示，包括不同属性节点和多样的边类型，支持基于图的归纳和转导学习，通过对四个数据集的系统评估，证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。

May, 2019

提出一种新的姓名消歧方法，使用基于图嵌入的低维向量将文档聚类，避免了隐私侵犯和昂贵的生物特征提取。通过实验表明，该方法在相似情境下比现有的姓名消歧方法显著更好。

Feb, 2017

本文提出一种基于异构网络嵌入的方法 HERec 来解决 HIN-based 推荐系统中的冷启动问题，该方法通过设计基于元路径的随机游走策略来嵌入 HINs，并通过一组融合函数将学习到的节点嵌入首先转换为扩展矩阵分解模型。HERec 模型通过实验表明其有效性，并表明从 HINs 转换的嵌入信息可以改善推荐性能。

Nov, 2017

本文提出了一种基于元路径的自监督辅助学习方法来学习异构图上的图神经网络，通过预测元路径作为辅助任务来进行主任务的学习，可以自动平衡辅助任务的有效组合以提高主任务性能，实验证明该方法可以在异构图上改进链接预测和节点分类的性能。

Jul, 2020

本研究提出了一种新颖动态异构网络嵌入方法，称为 DyHATR，在使用分层注意机制来学习异构信息的基础上，结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势，并在实际应用中得到了较好的表现。

Apr, 2020

本文研究网络不同结构的表示学习方法，设计了异构匿名游走技术和异构匿名游走嵌入方法，实验结果表明这些方法可以显著提高学习效果，并应用于大规模网络中。

Jan, 2022

本文提出了一个基于嵌入的框架 (ESim)，以探索嵌入在网络结构中的相似度，并接受用户定义的元路径作为指导来学习嵌入向量。在大规模异构信息网络上进行的实验证明了 ESim 的有效性和可扩展性。

Oct, 2016