多尺度属性节点嵌入
本文综述了图嵌入技术的各种方法，介绍了三个不同的分类方法的代表性算法，并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向，并介绍了一个名为GEM的Python库，其中提供了所有介绍的算法作为一个统一的接口，以促进和便利这个领域的研究。
May, 2017
Graph2Gauss是一种利用高斯分布表示节点，可以快速有效地在大规模（带属性）图上学习多功能节点嵌入，并且优于现有的方法，在网络分析和不同类型的图上都适用的无监督学习方法。
Jul, 2017
本文提出了一种新的神经贝叶斯个性化排序网络嵌入方法——Neural-Brane，该方法结合了节点的拓扑信息和节点属性，利用贝叶斯个性化排序目标函数来提取节点的潜在特征表示，并在四个真实数据集上验证了其优越性。
Apr, 2018
该研究提出了一种无监督的ONE方法，可检测和减少异常节点对网络嵌入的影响，进而提高网络嵌入的鲁棒性，并在不需要监督的情况下集成了异常节点的影响，取得了明显的性能优势，对提高当前具有节点属性的网络应用具有一定的实用性。
Nov, 2018
该论文提出了一种名为attri2vec的统一框架实现属性网络嵌入，它使用网络结构引导转换来发现潜在的节点属性子空间，以更一致地符合网络结构以学习高质量的节点表示，并且具有解决out-of-sample问题的能力，实验证明其在节点分类、聚类和预测任务中均优于现有方法。
Jan, 2019
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。
May, 2019
该研究提出了第一个统一的理论框架，将节点嵌入和结构图表示相结合，通过不变量理论证明了结构表示和节点嵌入之间的关系，证明了能够使用节点嵌入执行的所有任务也都可以通过结构表示执行，并且介绍了新的指南来生成和使用节点嵌入，修复了现有标准操作程序的显著缺点。
Oct, 2019
本文提出了一种面向具有属性的多重网络的简单而有效的无监督网络嵌入方法DMGI，利用深度图最大化(DGI)的思想来最大化图的局部信息和全局表示，与关系类型的特定节点嵌入之间的差异，处理多种关系类型的节点之间的差异性，并使用注意机制来过滤不必要的关系类型，经实验证明DMGI的性能优于现有的最先进方法。
Nov, 2019