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

本文介绍了使用 Role2Vec 框架基于属性随机游走的方法来在图形数据分析中实现广义深度学习和节点表示学习，并取得了较好的效果和泛化能力。

Feb, 2018

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

本文研究图表示学习中的负采样对于优化目标和结果方差的重要性，并提出了一种基于自对比近似和 Metropolis-Hastings 加速的负采样方法，MCNS，应用于链接预测、节点分类等任务，并在19个实验设置中证明了其优越性。

May, 2020

该论文提出了一个基于随机游走的图嵌入分析框架，包括三个组件：随机游走过程、相似性函数和嵌入算法，该框架不仅可以分类许多现有方法，而且自然地激发新方法，通过它，我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外，我们还发现，基于自协方差相似性的嵌入，在与点积排名进行链路预测时，比基于点互信息相似性的最先进方法表现提高了多达100％。

Oct, 2021

本文提出了使用图神经网络（GNN）进行多节点表示学习的理论，介绍和证明了直接聚合单个节点表示无法捕捉节点集中节点间依赖性的弊端，提出了一种区分目标节点和其他节点的标记技巧（Labeling trick）以及将其扩展应用到偏序集、子集和超图中，通过实验证明了该技术可在无向/有向链接预测、超边预测、子图预测等多个任务中提升GNN的性能。

Apr, 2023

在本文中，我们提出了一种新颖的增强型随机游走方法 ARGEW（Augmentation of Random Walks by Graph Edge Weights），该方法通过扩展语料库，在节点嵌入中使具有较大边权重的节点更接近，从而能够更好地反映边权重，并在节点分类中表现出良好的性能，在训练过程中无需节点特征或标签信息。

Aug, 2023

图神经网络（GNNs）用于链接预测，有两种广泛的分类。首先，以节点为基础的体系结构为每个节点预先计算个体嵌入，之后由简单的解码器组合以作出预测。与推理时的极高效性相比（因为节点嵌入只计算一次并重复使用），模型的表达能力有限，即对候选边贡献的同构节点可能无法区分，从而损害准确性。相反，基于边的方法依赖于形成特定于边的子图嵌入以丰富对配对关系的表示，以消除同构节点以提高准确性，但代价是增加模型复杂性。为了更好地权衡这种权衡，我们提出了一种新颖的GNN体系结构，其中“前向传递”显式依赖于正向（一般情况下）和负向（我们方法独有）边，以摄入更灵活但仍然廉价的以节点为基础的嵌入。通过将嵌入自身重新定义为正负样本分离的正向传递特定能量函数（与实际训练损失不同），所提出的体系结构在广泛的经验评估中得到了验证，既保持了以节点为基础的模型的推理速度，又产生了与基于边的替代方法竞争性的准确性。

Oct, 2023

将节点吸引和维度规范化作为替代方法的图嵌入优化技术，从而提高算法效率。

Apr, 2024