本论文介绍了带标记的随机游走的概念，以此为基础对现有的一些利用随机游走的算法如DeepWalk、node2vec等进行了推广，可适用于传导学习、归纳学习以及具备属性的图形数据，并在多个领域的各种图形上验证了该算法的有效性。

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

本研究提出了一个基于属性随机游走的框架用于推断网络表示学习，该框架可以更广泛地应用于现有的机器学习方法中，并解决了现有方法中节点身份相关性的固有问题。

Oct, 2017

本文提出了一种基于动态图的归纳式深层表示学习框架（DyRep），能够学习一组函数以高效生成随时间演变的低维节点嵌入，这些嵌入驱动动态图中节点之间的通信与关联，并利用时间为尺度的多元点过程模型来捕获这些动态关系，该研究通过动态链接预测和事件时间预测问题的两个真实世界数据集的实验证明了框架的有效性。

Mar, 2018

本文介绍了一种动态网络嵌入方法dynnode2vec，解决了静态网络嵌入方法在动态网络上运用的问题，并在多个大型动态网络数据集上进行了实证评估。

Dec, 2018

本文提出了一种名为residual2vec的新型图嵌入方法，通过使用随机图来去除不同结构偏见，不仅改善了链接预测和聚类性能，还允许我们在图嵌入中明确地建模突出的结构特性。

Oct, 2021

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

本研究提出了一种名为'graph-sprints'的通用特征提取框架，针对连续时间动态图（CTDGs）具有低延迟性和与最先进的高延迟模型相竞争的能力，并通过机器学习结合图形功能的方法，实现了优秀的性能表现。

Jul, 2023

RDGSL是一种在连续时间动态图中进行表示学习的方法，通过动态图结构学习的监督信号有效地抵抗动态图中的噪声，提高表示生成的鲁棒性。

Sep, 2023

通过对图的随机游走产生机器可读的记录，并通过深度神经网络处理这些记录，直接进行顶点级或图级的预测，我们重新审视了图上机器学习的一个简单思想。我们称这些随机机器为随机游走神经网络，并表明我们可以设计它们成为同构不变并具备概率下图函数的通用逼近能力。一个有用的发现是，只要顶点匿名，几乎任何种类的随机游走记录都保证了概率不变性。这使得我们能够以纯文本的形式记录随机游走，并采用语言模型读取这些文本记录以解决图任务。我们进一步使用马尔科夫链理论中的工具，建立了与消息传递神经网络的并行性，并表明随机游走神经网络在构建过程中减轻了消息传递中的过度平滑，而概率性不达到则表现为概率性不足。我们展示了基于预训练模型的随机游走神经网络能够解决图上的一些难题，如分离三阶通用WL测试失败的强正则图、计数子结构和在arXiv引用网络上进行传导分类，而无需训练。代码可在此链接中获取。

Jul, 2024