通过低秩非对称投影学习边缘表示
本文提出了一种新的嵌入模型，用于表示有向图，并通过将模型应用于语言应用和生物领域中的一系列实际案例，旨在展示该模型的重构能力和预测链接的能力。使用低维度圆柱形闵可夫斯基和反德西时空比高维曲面黎曼流形表现更优。
Jun, 2021
在本文中，我们提出了一种新颖的方法，通过采用交替随机游走策略来生成特定角色的顶点邻域，并在相应的源 / 目标角色中训练节点嵌入，以在完全利用有向图的语义的同时，为有向图中的两个不同节点角色维护单独的视图或嵌入空间，成功地解决了先前方法无法对边的定向性进行编码或其编码不能在不同任务中进行推广的问题，并在几个真实世界数据集上展示了我们方法的有效性，我们表明我们的嵌入是稳健，可推广和在多种任务和图表现良好，并且在节点分类任务中始终优于基线模型。
Oct, 2018
本研究对 15 个数据集进行了 12 种度量方法的实验研究，其中涵盖了图的非线性降维和表示学习。结果显示，无论是在连接预测还是节点分类任务中，没有一种方法完全胜出。
May, 2019
本研究提出了一种新型的节点嵌入方法，通过全局最小化成对相对熵和非线性的图地理路径，将每个节点编码为测量空间上的概率密度函数，并研究了其几何性质和有效的学习过程，实验结果表明，该方法在保留全局地理信息方面优于现有模型，并在无监督设置下在各种评估指标上表现出色。
May, 2019
本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。
Sep, 2017
本文提出了一种结合无监督和有监督学习组成的方法，通过利用 random walk 方法和 Gumbel-Softmax 分布将图节点映射到节点序列，然后使用修改后的 RNN 神经网络单位学习节点表示方法和它们的邻域信息，实验表明该方法优于或与现有算法相当，具有收敛速度快和准确度高的优点。
May, 2018
该研究提出了一种基于匿名行走（anonymous walk）的、无需监督的图嵌入方法，用于提高使用卷积神经网络和传统图核方法进行图分类任务的分类准确度，同时实现大规模的图表示学习。
May, 2018
该研究提出了一种学习多个图节点表示的方法，该方法基于一个本地社区的原则性分解来编码节点的角色，并展示了在多种图形上联合预测任务中的最新成果，从而减少了 90% 的错误率，同时还显示出这些嵌入允许了对学习社区结构的有效视觉分析。
May, 2019
提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中，其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架，提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注（MSNA）提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明，UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。
Apr, 2019