Graph2Gauss是一种利用高斯分布表示节点，可以快速有效地在大规模（带属性）图上学习多功能节点嵌入，并且优于现有的方法，在网络分析和不同类型的图上都适用的无监督学习方法。

Jul, 2017

本论文介绍了带标记的随机游走的概念，以此为基础对现有的一些利用随机游走的算法如DeepWalk、node2vec等进行了推广，可适用于传导学习、归纳学习以及具备属性的图形数据，并在多个领域的各种图形上验证了该算法的有效性。

Sep, 2017

本文介绍了使用 Role2Vec 框架基于属性随机游走的方法来在图形数据分析中实现广义深度学习和节点表示学习，并取得了较好的效果和泛化能力。

Feb, 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

本文介绍了一种有效的算法，可以基于动态图扩展随机游走技术用于顶点表示学习，并以实验数据说明了其在多分类和多标签顶点分类等机器学习任务中表现出与最先进方法相当的计算效率。

Jan, 2019

该论文提出了一个基于随机游走的图嵌入分析框架，包括三个组件：随机游走过程、相似性函数和嵌入算法，该框架不仅可以分类许多现有方法，而且自然地激发新方法，通过它，我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外，我们还发现，基于自协方差相似性的嵌入，在与点积排名进行链路预测时，比基于点互信息相似性的最先进方法表现提高了多达100％。

Oct, 2021

该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。

May, 2023

本研究提出了一种名为'graph-sprints'的通用特征提取框架，针对连续时间动态图（CTDGs）具有低延迟性和与最先进的高延迟模型相竞争的能力，并通过机器学习结合图形功能的方法，实现了优秀的性能表现。

Jul, 2023

在本文中，我们提出了一种新颖的增强型随机游走方法 ARGEW（Augmentation of Random Walks by Graph Edge Weights），该方法通过扩展语料库，在节点嵌入中使具有较大边权重的节点更接近，从而能够更好地反映边权重，并在节点分类中表现出良好的性能，在训练过程中无需节点特征或标签信息。

Aug, 2023

通过对图的随机游走产生机器可读的记录，并通过深度神经网络处理这些记录，直接进行顶点级或图级的预测，我们重新审视了图上机器学习的一个简单思想。我们称这些随机机器为随机游走神经网络，并表明我们可以设计它们成为同构不变并具备概率下图函数的通用逼近能力。一个有用的发现是，只要顶点匿名，几乎任何种类的随机游走记录都保证了概率不变性。这使得我们能够以纯文本的形式记录随机游走，并采用语言模型读取这些文本记录以解决图任务。我们进一步使用马尔科夫链理论中的工具，建立了与消息传递神经网络的并行性，并表明随机游走神经网络在构建过程中减轻了消息传递中的过度平滑，而概率性不达到则表现为概率性不足。我们展示了基于预训练模型的随机游走神经网络能够解决图上的一些难题，如分离三阶通用WL测试失败的强正则图、计数子结构和在arXiv引用网络上进行传导分类，而无需训练。代码可在此链接中获取。

Jul, 2024