本文研究网络嵌入的问题，提出了内容增强网络嵌入(CENE)的方法，该方法能够联合利用网络结构和内容信息，并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中，试验结果表明，该模型在节点分类应用中胜过其他所有现有的网络嵌入方法，充分证明了内容信息和联合学习的优点。

Oct, 2016

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

本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。

Sep, 2017

本研究提出了NetMF方法，通过矩阵分解的方式实现skip-gram网络嵌入方法的统一框架，并将各种经典的skip-gram方法（DeepWalk、LINE、PTE和node2vec）统一到该框架下。此方法是目前常规网络挖掘任务中优于DeepWalk和LINE的最新算法。

Oct, 2017

本文提出了一种基于矩阵分解的网络嵌入算法，该算法通过实现节点分离来减少不相关节点的嵌入，从而达到大规模网络的可扩展性，适用于分布式学习以及其他进一步适应性，实验结果表明，该算法在保证准确性的前提下，显著提高了大型网络的运行时间，并优于现有的基线算法。

Nov, 2018

本文提出了一种新的针对大规模网络嵌入学习的算法——NetSMF，可以有效地稀疏该密集矩阵，维持了嵌入学习的表征能力，相比已有方法，NetSMF在效率和有效性上都具有优势。

Jun, 2019

本研究旨在提供一个统一框架以深入概述和评估异构网络嵌入(HNE)的现有研究，并通过提供分类和分析不同现有HNE算法的优点和缺点、创建四个基准数据集以便于对HNE算法进行公正的评价、以及修改并创建13个受欢迎的HNE算法的友好界面，并在多个任务和实验设置中进行全方位比较来推动深度学习在异质网络关键任务中的应用。

Apr, 2020

本文研究低维嵌入在复杂网络中的应用，证明了可用一种轻微改进的模型生成高度簇聚密度的稀疏图，同时得到准确的低维分解，并用基于逻辑主成分分析的简单算法成功找到了精确嵌入，实验证明低维嵌入对于捕捉真实世界网络的局部结构具有良好的效果。

Jun, 2020

本文提出了一种仅使用负样本进行训练的自然语言处理模型中skip-gram模型的大规模网络嵌入模型，该模型使用基于最稀疏切割问题的新对比目标，通过图卷积算子作为低通滤波器，将嵌入作为节点表示进行平滑，最终在真实数据集上的实验结果表明我们的模型在准确性和可扩展性方面都优于现有的强基线。

Jun, 2020

本文解决了现有网络嵌入方法在计算PPR矩阵时的高计算成本和结构相似性捕捉能力不足的问题。我们提出了一种高效的谱稀疏化方法PSNE，通过设计矩阵多项式稀疏器和多视角策略来提高表示能力，从而显著降低计算复杂度并增强嵌入向量的结构相似性。在实验中，我们的方法在效率、效果和可扩展性上都优于十个竞争对手。

Aug, 2024