本文研究动态网络嵌入的问题，通过应用已建立的静态网络嵌入方法到扩展的展开邻接矩阵，实现对动态网络中节点的解释性和强大的嵌入表示，提供理论保证和假设测试框架以评估动态网络嵌入质量，并证明我们提出的稳定展开方法不仅更易解释，而且比不稳定方法更有表现力。

Nov, 2023

该论文提出了一种名为 attri2vec 的统一框架实现属性网络嵌入，它使用网络结构引导转换来发现潜在的节点属性子空间，以更一致地符合网络结构以学习高质量的节点表示，并且具有解决 out-of-sample 问题的能力，实验证明其在节点分类、聚类和预测任务中均优于现有方法。

Jan, 2019

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

本文提出了一种基于网络结构和社交演员属性相似性的社交网络嵌入框架，在节点分类和链接预测任务上均实现了显著的性能提升，比如在链接预测任务上相比 node2vec 提高了 8.2%。

May, 2017

本文提出了一种全新的领域自适应网络嵌入框架 (Domain Adaptive Network Embedding framework)，利用图卷积网络来学习可转移的嵌入。在该框架中，多网络的节点通过一组共同的可学习参数编码为向量，使向量共享一个对齐嵌入空间。并通过对抗学习正则化来进一步对齐不同网络上的嵌入分布。此外，DANE 在学习可转移网络嵌入方面的优势可以在理论上得到保证。广泛的实验表明，所提出的框架在跨网络领域自适应任务中优于其他最先进的网络嵌入基线。

Jun, 2019

本文提出了一种新的神经贝叶斯个性化排序网络嵌入方法 ——Neural-Brane，该方法结合了节点的拓扑信息和节点属性，利用贝叶斯个性化排序目标函数来提取节点的潜在特征表示，并在四个真实数据集上验证了其优越性。

Apr, 2018

本文提出了一种用于属性网络的端到端深度嵌入聚类模型，利用图自编码器和节点属性自编码器分别学习节点表示和聚类分配，并引入分布一致性约束来保持两个视图的聚类分布的潜在一致性。

May, 2022

COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。

Jul, 2023

本文介绍了一种动态网络嵌入方法 dynnode2vec，解决了静态网络嵌入方法在动态网络上运用的问题，并在多个大型动态网络数据集上进行了实证评估。

Dec, 2018

本文研究网络嵌入的问题，提出了内容增强网络嵌入 (CENE) 的方法，该方法能够联合利用网络结构和内容信息，并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中，试验结果表明，该模型在节点分类应用中胜过其他所有现有的网络嵌入方法，充分证明了内容信息和联合学习的优点。

Oct, 2016