网络表示学习：巩固与更新方向

May, 2019

Network Representation Learning: Consolidation and Renewed Bearing

Saket Gurukar, Priyesh Vijayan, Aakash Srinivasan, Goonmeet Bajaj, Chen Cai...

TL;DR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。

Abstract

graphs are a natural abstraction for many problems where nodes represent entities and edges represent a relationship across entities. An important area of research that has emerged over the last decade is the use of gra

graphs dimensionality reduction network representation learning link prediction node classification

发现论文，激发创造

图表示学习：方法与应用

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

一种基于图的性能分析新型表示学习技术

将表格形式的性能数据转换为图形，利用图神经网络方法捕捉特征和样本之间复杂的关系，以提高回归任务的性能分析领域中的预测模型的性能。

Jan, 2024

经典图结构特征在社区标记上胜过基于因式分解的图嵌入方法

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

深度图表示学习的综合调查

本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

Apr, 2023

网络表示学习：一份综述

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

通过低秩非对称投影学习边缘表示

本文提出了一种新的无向图嵌入方法，通过建模节点的连边函数，并结合从随机游走中抽样的信息，对图的联通结构进行表达，从而提高了学到的嵌入空间的表现和空间效率。该方法在社交网络、蛋白质相互作用等数据集上均取得了较好的表现。

May, 2017

非监督网络表示学习的比较研究

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

图表示学习：调查

通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。

Sep, 2019

网络嵌入教程

本次调查综述了网络嵌入的发展历史以及对分类、聚类、链接预测和可视化等任务的作用，将网络嵌入方法根据不同场景进行了分类，包括监督学习、无监督学习、同质网络和异质网络等。最后，探讨了网络嵌入未来的研究方向。

Aug, 2018

基于增强低秩矩阵逼近的多层网络嵌入

本文提出一种多层网络嵌入框架 BoostNE，能够从粗到细学习不同粒度的多个网络嵌入表示，超越现有的网络嵌入方法。

Aug, 2018