本文提出了一种新的网络嵌入方法 LINE，用于将大规模的信息网络嵌入到低维向量空间中，实现了节点分类，链路预测等任务。该方法优化了一个经过精心设计的目标函数，可以保留本地和全局网络结构，并提出了边缘采样算法，改进了经典随机梯度下降的限制和推理效率。经验证明了 LINE 在包括语言网络、社交网络和引用网络在内的各种真实世界的信息网络上的有效性。对于单个典型机器，该算法非常高效，可以在数小时内学习具有数百万个顶点和数十亿个边的网络嵌入。

Mar, 2015

本文提出了一种基于网络结构和社交演员属性相似性的社交网络嵌入框架，在节点分类和链接预测任务上均实现了显著的性能提升，比如在链接预测任务上相比 node2vec 提高了 8.2%。

May, 2017

本文提出了一种名为 Sparse Interest Network（SINE）的方法，该方法使用 sparse-interest 模块自适应地为每个用户推断出一个稀疏的概念集，并相应地输出多个嵌入，以明确建模多个兴趣点用于下一个项目的推荐。

Feb, 2021

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

本研究提出了一种名为 COSINE 的算法，它利用网络中节点相似的邻居特性，在训练过程中通过参数共享来降低内存开销并加速训练，并通过图分区算法构建节点间的参数共享依赖关系，使得网络嵌入更为高效和有效。COSINE 可应用于任何嵌入式查找方法，具有较高的嵌入质量，更少的内存开销和更短的训练时间。实验证明，与基线相比，COSINE 可以提高多标签分类和链接预测的准确率，且降低嵌入学习方法的训练时间。

Dec, 2018

本研究提出了一种名为 SNE 的网络嵌入模型，用于处理有正负权边的网络，并且在节点分类和边预测中与其他四种嵌入方法进行了比较。实验结果表明该模型的有效性。

Mar, 2017

该研究提出了一种通用的归纳框架 GraphSAGE，可以利用节点特征信息生成节点嵌入，不需要进行所有节点的嵌入训练，同时利用邻域采样和聚合特征来学习生成节点嵌入的函数。该算法在三项归纳节点分类基准测试中表现出色，具有很好的泛化性能。

Jun, 2017

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

提出 SUMSHINE（Scalable Unsupervised Multi-Source Heterogeneous Information Network Embedding），这是一个可扩展的无监督框架，用于对齐多个异构信息网络源之间的嵌入分布，并在各种下游任务中验证其在真实世界数据集上的性能优于最先进的异构信息网络嵌入算法。

Jul, 2023

我们提出了一种名为 SANNE 的新型无监督嵌入模型，其集中思想是使用转换器自我注意网络来迭代地聚合节点在随机游走中的向量表示，以生成合理的嵌入，不仅适用于现有节点，而且适用于新出现的未见节点。实验结果表明，所提出的 SANNE 在著名的基准数据集上对于节点分类任务获得了最先进的结果。

Jun, 2020