该论文提出了一种可训练相似度度量的节点嵌入方法 ——Lemane，该方法在大规模图上有着较高的可扩展性和更好的表现。

Jun, 2021

该研究论文讨论了节点嵌入、个性化 PageRank、图拓扑以及基于 PPR 的嵌入方法对各种下游任务的优势的解释性分析。

May, 2024

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

分析了一种用于邻接矩阵的随机投影方法，研究其在表示稀疏图中的实用性，展示了这些随机投影保留了其底层邻接矩阵的功能，同时具有额外的特性，使它们作为动态图表示具有吸引力。特别地，它们可以在相同的空间中表示不同大小和顶点集的图，从而实现对图的聚合和操作的统一方式。同时提供关于投影大小需要如何扩展以保留准确的图操作的结果，表明投影的大小可以与顶点数线性扩展，同时准确地保留一阶图信息。最后，将这种随机投影描述为保持距离的邻接矩阵映射，类似于通常的 Johnson-Lindenstrauss 映射。

Sep, 2023

本文介绍了一个基于矩阵奇异值分解的矩阵草图方法 ——FREDE，该方法以线性空间复杂度、非线性变换和优质保障作为其基础，可在各种数据科学任务中与最先进的嵌入方法相媲美，即使基于仅 10％的节点相似性。

Jun, 2020

TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

Jan, 2018

通过开发 TTST 算法，本文提出了可以改善门坎效应的高维数据处理方法，特别针对研究高维关系模型的超图。

Jun, 2023

本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

Jun, 2019

本研究提出了 NetMF 方法，通过矩阵分解的方式实现 skip-gram 网络嵌入方法的统一框架，并将各种经典的 skip-gram 方法（DeepWalk、LINE、PTE 和 node2vec）统一到该框架下。此方法是目前常规网络挖掘任务中优于 DeepWalk 和 LINE 的最新算法。

Oct, 2017

本文提出了一个方法来维护有向图的不对称性传递性质，基于所提出的算法可以将问题正确分配给具有相应专业技能的用户，并在各项指标上都表现优异，支持对未来问题的嵌入学习

Nov, 2018