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
本文研究了在 IoT 环境中使用的 node2vec 算法的应用，提出了结合在线序列训练算法的方法，并在资源有限的 FPGA 设备上实现。所提出的 FPGA 实现相较于原模型在 CPU 上获得了 205.25 倍的加速，评估结果显示，提出的序列模型能够获得更好的图嵌入表示，即使在图结构改变时仍能提高准确性。
Dec, 2023
通过使用压缩方法，我们可以将节点嵌入用比浮点向量更紧凑的向量表示，从而实现在工业级规模的图形数据上快速训练图神经网络，同时达到更好的性能。
Aug, 2022
将图编码嵌入方法扩展到包括加权图、距离矩阵和核矩阵等一般图模型，证明该方法满足大数定律和中心极限定理，能够在一定条件下实现渐近正态性，并通过一系列实验证实了这些理论发现。
May, 2024
通过将图表数据的嵌入视为不同偏置下的独立硬币翻转，应用持续优化技术来获得二元向量的简单且有效模型，得出了优于谱图嵌入和各种学习实值嵌入的量化结果，可以显著降低图表数据检索的延迟。
Mar, 2018
提出一种基于交通时间的网络嵌入的高效数值实现，使用扩散小波算法得到的网络上的扩散过程的稀疏逼近。通过随机梯度下降法，并对绿函数的低维表示进行采样，计算节点嵌入，并通过多个示例展示了该方法在数据聚类和多标签分类方面的有效性，并比较了其在效率和准确性方面相对于现有方法的性能。还讨论了理论问题来证明该方案的合理性。
Aug, 2023
本研究提出了一种新颖的力导向图嵌入方法，利用稳定的加速度动力学公式来嵌入节点，以保留图拓扑和结构特征，实现了高性能的图处理和分析任务，相比最先进的无监督嵌入技术具有竞争性的性能。
Sep, 2023
采用扩散映射对词语网络嵌入进行建模，以更好地捕捉文本之间的语义联系，并提供一种新的目标函数来有效保留多阶接近度。该方法在顶点分类和链路预测任务上优于最先进的方法。
May, 2018
本文研究图嵌入的质量以及其在社区检测方面的有效性，通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离，将顶点嵌入作为距离矩阵的变换结果进行分析，并在多个基准数据集上进行评估。结果表明，该方法操作于降维表示，使得计算复杂度大为减少，且性能与传统算法相媲美。
Apr, 2024
本文提出了 DynGEM 算法，基于最近深度自编码器对图嵌入的研究，旨在解决动态图嵌入问题，实现了稳定嵌入、适用于不断增长的动态图以及比静态嵌入方法更高效。在多项任务和实验中，DynGEM 表现出优异的稳定性和可扩展性。