本文提出了一种新颖的深度部分多重网络嵌入方法，利用自编码器神经网络，共同的潜在子空间学习和图 Laplacian 的方法学习网络嵌入，以处理不完整的多重数据，并在节点分类，链接预测和聚类任务中展示了卓越的性能。
Mar, 2022
本研究提出了一种新的半监督结构感知表征学习方法，通过最大化局部节点表示和标签相关的全局图表示之间的互信息来联合建模节点和群集结构，并采用聚类感知、节点上下文全局图概括生成策略来有效地联合建模多层复合网络中的节点和群集表示，实验结果表明，提出的方法在分类、聚类、可视化和相似性搜索等任务中优于现有方法。
Oct, 2021
通过将三种方法（网络聚合，结果聚合和层共分析）应用于多层网络，我们将其投影到连续的向量空间中，并通过评估验证了其中一种方法（层共分析）在大多数数据集上的表现优于常规链接预测方法。
Sep, 2017
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
本文提出了一种新的方法，通过 DeepWalk 在 supra 图上共同获得所有层的节点嵌入，并对嵌入进行微调，以在潜在空间中促进凝聚结构，通过节点分类，链接预测和多层社区检测的实证研究表明，该方法在多项基准测试中优于现有的单层和多层网络嵌入算法。
Sep, 2018
本研究提出了一种名为 MultiVERSE 的快速和可规模化的多重网络嵌入方法，旨在从多重和异构多重网络中学习节点嵌入。 在生物和社交网络上对 MultiVERSE 进行了评估，并展示了其在链接预测和网络重构任务中的有效性。
Aug, 2020
本文提出一种多层网络嵌入框架 BoostNE，能够从粗到细学习不同粒度的多个网络嵌入表示，超越现有的网络嵌入方法。
Aug, 2018
在本文中，我们探索在无监督或半监督方式下，针对多通道网络中的节点学习表征的问题，并通过在图处理过程的不同层次上进行多样化的信息融合方案的详细分析和实验评估，提出了在处理多通道网络时如何构建 GNN 架构的改进方法。
Feb, 2024
本文介绍了一种张量框架来研究多层次网络，以及讨论了几种重要的网络描述符和动态过程的推广，包括度中心性、聚类系数、特征向量中心性、模块化、冯・诺伊曼熵和扩散。
Jul, 2013
介绍了一种名为特征复用的高效且高效的框架，该框架通过使用单个表示空间跨越许多不同的分类特征，解决了特征嵌入算法中的瓶颈。在三个公共基准数据集上，多路复用表示法导致 Pareto 最优的参数 - 准确性权衡。统一嵌入给出了显着的纠正 Web-Scale 的离线和在线指标的结果。
May, 2023