SepNE: 将可分离性引入网络嵌入
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
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