多层网络推理的改进深度嵌入
本文综述了图嵌入技术的各种方法，介绍了三个不同的分类方法的代表性算法，并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向，并介绍了一个名为GEM的Python库，其中提供了所有介绍的算法作为一个统一的接口，以促进和便利这个领域的研究。
May, 2017
本文提出了一种基于概率生成模型的方法vGraph，用于协同地学习社区成员和节点表示，旨在发现图的全局和局部结构；实验表明vGraph在社区检测和节点表征学习方面的性能优于多个竞争基线。
Jun, 2019
本文提出一种名为 GRAPHEDM 的综合方法，旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来，构成一种用于学习图表征的完整分类法。通过将现有的30多种算法整合到这一框架中，本方法具有很高的通用性，从而提供了理解这些方法背后的直觉基础，促进了此领域未来研究的发展。
May, 2020
本文提出了一种网络社区发现方法的统一架构，对现有的社区检测方法进行了全面的综述，并将现有的方法分为两类：概率图模型和深度学习。作者还释放了几个基准数据集，并概述了这些数据集的应用。该研究为进一步研究这一领域的挑战和未来方向提供了基础。
Jan, 2021
在本文中，我们提出了一种基于上下文路径的图神经网络（CP-GNN）模型，通过递归地嵌入节点之间的高阶关系来区分不同关系的重要性，学习既能保留节点之间高阶关系又有助于社区检测的节点嵌入，从而优于现有社区检测方法。
Sep, 2021
本研究分析并探讨了基于单节点低维度向量嵌入模型的无监督图表示学习方法在节点对社群标记任务方面的表现，发现相对于经典的基于结构特征的模型，该类模型表现较差且在实践中结果不够稳定，因而在捕获社群结构方面存在局限性。
Jan, 2022
通过采集易于获得的节点元数据，META-CODE 提出了一种新的端到端解决方案，用于检测未知拓扑结构的网络中的重叠社区， META-CODE 通过图神经网络训练节点层次社区从属嵌入，并使用Siamese神经网络模型进行网络推理。
Apr, 2023
本研究提出了一种针对多层图所进行的聚类方法，其中采用了基于Laplacian正则化的非参数模型，并结合修改后的Label Propagation迭代方法，成功地进行了半监督学习，使得每一层所具有的信息内容更为丰富，聚类效果得到显著提高。
May, 2023
通过对大型网络的节点进行嵌入，得到欧几里德空间中的表示是现代机器学习中的一个常见目标，该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析，证明了其在聚类任务中表现出较弱的一致性，并对其在网络数据中的应用进行了讨论。
Oct, 2023
本文研究图嵌入的质量以及其在社区检测方面的有效性，通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离，将顶点嵌入作为距离矩阵的变换结果进行分析，并在多个基准数据集上进行评估。结果表明，该方法操作于降维表示，使得计算复杂度大为减少，且性能与传统算法相媲美。
Apr, 2024