基于增强低秩矩阵逼近的多层网络嵌入
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
本文介绍了一种利用 Hopfield Networks 进行联想学习的网络嵌入方法，通过节点内容和其邻居之间的关联来构建记忆，使用神经网络的循环动力学来恢复掩盖的节点以进行节点分类和链接预测，并与传统矩阵分解和深度学习方法进行了比较。
Aug, 2022
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
本文提出了一种矩阵分解方法，受到 GloVe 启发，用于网络节点嵌入，同时学习单词、节点和文档表示，该模型表现出良好的性能和鲁棒性，可用于探索文件网络，并生成互补的网络和内容关键字。
Feb, 2019
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
本次调查综述了网络嵌入的发展历史以及对分类、聚类、链接预测和可视化等任务的作用，将网络嵌入方法根据不同场景进行了分类，包括监督学习、无监督学习、同质网络和异质网络等。最后，探讨了网络嵌入未来的研究方向。
Aug, 2018
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
该论文提出了一种名为 REFINE 的算法，该算法利用随机矩阵分解技术对庞大的节点进行嵌入，以提高网络表示的效率和准确性。该算法基于跳字模型，使用正交约束和矩阵分解技术，使用随机阻塞 QR 分解快速获得节点表示。此外，该算法还设计了一种简单但有效的谱滤波器，用于提高节点表示的高阶信息。实验表明，REFINE 在不同规模的数据集上（从数千到数百万个节点 / 边）进行节点分类是非常有效的，并显示出良好的性能。
Aug, 2021