本文综述了图嵌入技术的各种方法，介绍了三个不同的分类方法的代表性算法，并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向，并介绍了一个名为GEM的Python库，其中提供了所有介绍的算法作为一个统一的接口，以促进和便利这个领域的研究。

May, 2017

本研究提出了一种新的动态属性网络嵌入框架——DANE，该框架采用了一种离线方法来达成共识嵌入，然后利用矩阵扰动理论来在在线方式下保持末状态的新鲜度。

Jun, 2017

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

本文提出了一种可将网络信息嵌入到低维向量空间中进行链接预测、分类和可视化等任务的方法，该方法意在通过对选定的点对点相似度测量分布进行显式标定的图嵌入，其可通过训练单层神经网络得到，试验表明本方法在相似度测量方面表现出色，时间和空间效率更高。

Mar, 2018

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

本文介绍了一种针对海量图形的基于节点重加权PageRank（NRP）的同质网络嵌入方法。经实验证明，与现有的18种解决方案相比，NRP在链接预测、图形重建和节点分类方面的效果更好，且速度更快。

Jun, 2019

本文介绍了一种基于 Skip-gram 相似方法的网络嵌入算法，该算法能够从节点周围的本地分布中捕捉节点的信息。我们证明了其嵌入矩阵隐式地对节点-特征的点间互信息进行了因子分解。实验结果表明，我们的算法在社交网络和Web图上具有鲁棒性，计算效率高，且性能优于可比较的模型。

Sep, 2019

本文综述了网络嵌入技术的相关文献，介绍了当前流行的方法和研究动态，以帮助读者在这个领域的复杂研究中找到方向。

May, 2023

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