本文介绍了 subgraph2vec，一种用于从大型图形中学习根节点子图的潜在表示的新方法，该方法受到深度学习和图形核方法的最新进展的启发。我们证明了我们的方法能够与 CNNs、SVMs 和关系数据聚类算法等分类器相结合，从而实现显著优越的准确度。此外，我们还展示了子图向量可以用于构建深度学习 Weisfeiler-Lehman 图形核的变体。我们对多个基准和大规模真实世界数据集进行的实验表明，subgraph2vec 在监督和无监督学习任务中都显着提高了图形核方法的准确性。

Jun, 2016

在本研究中，我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法，通过在用户定义的子图内运行 walks，用于链接预测，并证明我们的方法在大多数情况下具有更好的性能。

May, 2024

该研究探讨了图形和关系结构的矢量表示，以及生成这些表示的方法。作者提出了两种理论方法来理解矢量嵌入的基础，并建议未来的研究方向。

Mar, 2020

node2vec 是一种学习网络节点特征表示的算法框架，通过学习节点到一个低维度特征空间的映射来最大化保留节点的网络邻域的机会，实现了对网络中连接性模式多样性的表达。结果表明，在多个领域的真实世界网络上，node2vec 在多标签分类和链接预测方面都优于现有技术。

Jul, 2016

本文提出了一种新的特征提取方法 GraphViz2Vec，可以捕捉节点的局部邻域的结构信息来创建有意义的 GNN 模型的初始嵌入，这些初始嵌入有助于现有模型在各种分类任务中实现最先进的结果。

Jan, 2024

提出了一种名为 structure2vec 的基于嵌入潜在变量模型的结构化数据表征方法，利用判别性信息进行特征空间学习，在数百万数据点的应用中运行速度是传统方法的两倍，模型则小 $10,000$ 倍，同时达到了最先进的预测性能。

Mar, 2016

通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。

Sep, 2019

本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

Apr, 2023

本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

Jun, 2019

基于嵌入方法的动态图形表示学习，结合密集和递归层，研究动态图形中的链路预测问题，并在两个真实数据集上验证了其优越性。

Sep, 2018