网络表示学习：巩固与更新方向
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
本综述全面地回顾了数据挖掘和机器学习领域的网络表征学习技术的当前文献，并根据基本的学习机制、网络信息的保留意图以及算法设计和方法学对其进行分类和总结，同时对于验证网络表征学习的评估协议，如公开的基准数据集、评估方法和开源算法也进行了总结和分析，并在常见数据集上比较了代表性算法之间的性能和计算复杂度，并提出未来的研究方向。
Dec, 2017
本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。
Jun, 2018
本文提出一种框架用于将不同的网络表示方法统一化，研究它们的有效性, 经过一系列的实证研究表明，并没有一个单一的方法是最好的，选择一个适合的方法取决于嵌入方法的某些属性、任务和底层图的结构属性。
Mar, 2019
该研究提出了一种学习多个图节点表示的方法，该方法基于一个本地社区的原则性分解来编码节点的角色，并展示了在多种图形上联合预测任务中的最新成果，从而减少了90%的错误率，同时还显示出这些嵌入允许了对学习社区结构的有效视觉分析。
May, 2019
FastRP是一种用于学习图中分散式节点表示的可扩展和高性能算法，其构建了捕捉图中传递关系的节点相似度矩阵，利用非常稀疏的随机投影进行维度缩减，并迭代计算节点嵌入，从而达到了与DeepWalk和node2vec相当甚至更好的性能。
Aug, 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