基于重新加权的个性化 PageRank 的大规模同构网络嵌入
RandNE 是一种用于处理百亿级网络的、高效的、无误差聚合的网络嵌入方法，它采用高斯随机投影和迭代投影来实现低维嵌入空间的构建，并具有良好的分布式计算性能和动态网络更新能力。
May, 2018
本文提出了一种基于网络嵌入的数据有效性推荐方法 RNE，该方法能够针对亿级场景进行个性化和多样化推荐，同时保持用户和项目之间的本地结构并建模用户兴趣的多样性和动态性以提高推荐质量，而且还能够在分布式方式下实现，显著优化可扩展性。实验证实，在淘宝亿级规模的推荐场景下，RNE 与基于 CF 的方法相比，能够同时实现高质量和多样化结果，在 Pinterest 数据集上也展现出了显著优越性能。
Mar, 2020
我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络，它将一种风格的效率与另一种风格的低信息损失相结合，通过引入随机投影压缩步骤和关系化邻居收集组件，在七个小型和大型基准数据集上获得了最先进的结果，并比大多数有效的基准方法快 230％。
Oct, 2023
本文提出了一种针对保护隐私的网络嵌入方法，使用干扰原始网络的方式来减少泄漏隐私链接的风险，并通过量化隐私增益和效用丢失来确定最佳干扰方案，以获得最优的隐私效用权衡。
May, 2022
本文提出了使用分布式计算框架计算大型边加权图的全面边加权个性化 PageRank 的新方法，使用了蒙特卡罗近似并结合优化技术，其准确性表现显着超过基线算法，并且速度比现有技术快数个数量级。
Mar, 2019
本文提出了一种新的深度超网络嵌入模型，采用非线性元组相似函数保持超网络中的本地和全局相似性，并且在 GPS 网络、在线社交网络、药物网络和语义网络上的实验结果表明，该方法能够显著且持续地优于现有算法。
Nov, 2017
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
本文提出了一种名为 “异构图传播” 的新图嵌入方法，通过使用组 - 用户 - 商品三部分图以减少社交图中的边数和路径的复杂性，分别使用个性化的 PageRank 传播方案对组 - 用户图和用户 - 商品图中的节点进行嵌入，并使用一种注意机制将每个图中的节点嵌入进行集成，解决了图神经网络在社交推荐中的过度平滑问题，并在大规模真实世界数据集上证明了该方法优于其他基线的性能。
Jul, 2019
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