本研究提出了一种可扩展的半监督学习方法，该方法基于一种直接作用于图形的高效卷积神经网络变体，通过局部一阶逼近实现了谱图卷积的选择，其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示，在引用网络和知识图数据集上的若干实验中，证明了我们的方法的明显优越性。
Sep, 2016
本研究提出了一种名为Graph2vec的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。
Jul, 2017
本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。
Sep, 2017
本文利用一种新的自编码器结构，能够有效地学习本地图结构和已有节点信息的联合表示，以进行链接预测和节点分类的多任务学习，并在9个基准图结构数据集上进行了全面的实证评估，证明了其优于现有方法的表现。
Feb, 2018
本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。
Jun, 2018
本论文研究了与图表示学习相关的两个基本任务：链接预测和节点分类，并提出了一种新的自编码器架构，能够学习本地图结构和可用节点特征的联合表示，用于同时进行无监督链接预测和半监督节点分类的多任务学习。
Nov, 2018
通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。
Sep, 2019
本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。
Apr, 2023
该研究解决了文本图表示学习中有效提取结构和文本信息的不足。提出的节点级图自编码器（NodeGAE）框架，通过语言模型进行预训练并加入局部图结构的辅助损失，简化训练过程并提升了通用性。实验结果显示，该方法显著提高了多种图神经网络在节点分类和链接预测任务中的表现。
Aug, 2024
本研究解决了文本图表示学习中传统方法无法有效捕捉结构和文本信息的问题。提出了一种新的统一无监督学习框架节点级图自编码器（NodeGAE），通过语言模型进行预训练，并增加辅助损失项以关注局部图结构。实验结果表明，该方法显著提升了多种图神经网络在文本图数据集上的性能。