该研究提出了一种通用的归纳框架 GraphSAGE，可以利用节点特征信息生成节点嵌入，不需要进行所有节点的嵌入训练，同时利用邻域采样和聚合特征来学习生成节点嵌入的函数。该算法在三项归纳节点分类基准测试中表现出色，具有很好的泛化性能。

Jun, 2017

我们提出了 GraLSP—— 一种图神经网络框架，通过随机匿名游走显式地将局部结构模式纳入邻域聚合中，设计了各种机制来解决结构特征的影响，包括自适应感受野、注意力和放大，并设计了捕捉相似性的目标，结合节点邻近度目标进行优化。

Nov, 2019

本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

May, 2019

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

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

本文介绍了 GraphWave 方法，通过利用热波中的扩散模式，表示每个节点的网络邻域，并以无监督的方式学习这些嵌入。本文证明，具有类似网络邻域的节点将具有类似的 GraphWave 嵌入，即使这些节点可能位于网络的非常不同的部分，该方法在捕捉网络中的结构角色方面有着很高的潜力，并且在实验中表现出优秀的性能，超过了现有的所有基线方法，最高达到 137%。

Oct, 2017

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

本文提出了一种新的无向图嵌入方法，通过建模节点的连边函数，并结合从随机游走中抽样的信息，对图的联通结构进行表达，从而提高了学到的嵌入空间的表现和空间效率。该方法在社交网络、蛋白质相互作用等数据集上均取得了较好的表现。

May, 2017

本文提出了一种新的网络嵌入方法 LINE，用于将大规模的信息网络嵌入到低维向量空间中，实现了节点分类，链路预测等任务。该方法优化了一个经过精心设计的目标函数，可以保留本地和全局网络结构，并提出了边缘采样算法，改进了经典随机梯度下降的限制和推理效率。经验证明了 LINE 在包括语言网络、社交网络和引用网络在内的各种真实世界的信息网络上的有效性。对于单个典型机器，该算法非常高效，可以在数小时内学习具有数百万个顶点和数十亿个边的网络嵌入。

Mar, 2015

介绍了一种使用强化学习算法 LeNSE 对大规模图形进行处理的低复杂度方法，可以找到原始图形中较小的子图，从而能够更高效地进行 NP-hard 问题的求解。

May, 2022