非监督网络表示学习的比较研究
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
本文提出了一种结合无监督和有监督学习组成的方法，通过利用 random walk 方法和 Gumbel-Softmax 分布将图节点映射到节点序列，然后使用修改后的 RNN 神经网络单位学习节点表示方法和它们的邻域信息，实验表明该方法优于或与现有算法相当，具有收敛速度快和准确度高的优点。
May, 2018
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
本文提供一个综合性的比较不同无监督学习方法在图像特征表达方面的表现，使用线性评估、最近邻分类和聚类等多个基准测试来定量比较，分析了不同嵌入度量的均匀性、容忍性和中心内核对齐，并提出了两个新的度量。通过比较分析发现不能以单一流行的方法来代表整个领域的研究，在未来的工作中，应考虑如何利用这些方法的互补性。同时提供了一个统一的框架来定量数据增强不变性，并提醒不同任务需要的增强不变性类型各有差异。
Jun, 2022
本研究提出了一种名为 GAP 的新型上下文敏感的算法，它使用注意力池化网络在不需要额外特征或社区检测算法的情况下，学习到了在节点邻域不同部分的出现概率，并在真实的数据集上表现出了优秀的表现超过了 10 种流行的最新模型。
Jan, 2020
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
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