基于重新加权的个性化PageRank的大规模同构网络嵌入
本文通过引入PageRank的个性化传播机制，构建了PPNP和其快速逼近版本APPNP两种新的方法，其训练速度相当或更快，参数数量相当或更少，并且与任何神经网络结合使用， 用于半监督分类，在最彻底的GCN-like模型的研究中，展示了该模型胜过几种近期提出的方法。
Oct, 2018
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
本文介绍了一种高效的用于生成单节点表示的方法InstantEmbedding，并进行了理论证明和大规模实验，结果表明其比传统方法需要的计算时间少9000倍以上，同时其所生成的表示具有很高的质量。
Oct, 2020
本文综述了近年来异构图嵌入方法和技术的发展，并系统地归类了各种学习方法来解决异构性带来的挑战，探索了不同类型的应用中使用嵌入方法的可行性，总结了开源代码、现有的图学习平台和基准数据集，预测了未来的研究方向。
Nov, 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
本文提出了一种称为PPRGN的神经网络，该网络基于Personalized PageRank的思想，通过无样本学习的方式训练图像分类模型，该模型具有无限深度且不会出现过度平滑的问题，在各种节点和图像分类任务中实验表现卓越。
Jul, 2022
提出了一种新的动态网络嵌入范式，即通过旋转和缩放嵌入空间的轴而不是逐个节点更新来实现动态网络嵌入，其中运用了动态个性化PageRank方法来增强节点嵌入和动态捕获更高阶邻居信息，并通过对不同规模动态图上节点分类、链路预测和图重构的实验表明，该方法在动态网络嵌入方面具有显著的优势。
Jun, 2023
本文解决了现有网络嵌入方法在计算PPR矩阵时的高计算成本和结构相似性捕捉能力不足的问题。我们提出了一种高效的谱稀疏化方法PSNE，通过设计矩阵多项式稀疏器和多视角策略来提高表示能力，从而显著降低计算复杂度并增强嵌入向量的结构相似性。在实验中，我们的方法在效率、效果和可扩展性上都优于十个竞争对手。
Aug, 2024
本研究解决了动态图中保持鲁棒节点表示的效率问题，针对现有PPR（个性化页面排名）方法在静态图中的局限性，提出了一种基于稀疏节点注意力的统一动态图学习框架。研究表明，所提出的模型\textsc{GoPPE}在节点属性噪声明显时，具备优越的性能和稳健性，显著提高了PPR基于GNN的效率。
Nov, 2024