本篇研究提出了一种基于高阶网络结构的新型随机游走模型，探究高阶网络中的扩散过程及其对信息扩散的影响，旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。
Nov, 2019
本文提出了高阶超图行走作为一个新的框架来推广基于图的网络科学技术到超图中，并通过应用高阶模型分析真实世界的超网络数据和三个生成模型发现了超图结构的微妙和可解释性，表明当利用针对捕捉超图本地现象的工具时，超图结构化数据的分析更加丰富。
Jun, 2019
本篇研究提出了一种基于随机游走的顶点相似度度量，使用该度量可以高效地计算网络的社区结构，并提出了一种名为 Walktrap 的聚合算法，该算法提高了社区结构计算的准确性。经过全面的比较测试，表明该算法在质量和运行时间方面都优于以前提出的算法。
Dec, 2005
本文研究使用有边依赖节点权重的随机游走来发展超图的谱理论，并且给出了对于这种超图随机游走等价于图随机游走的条件，同时通过使用真实数据集展示了有边依赖节点权重的超图在排序应用中的优势。
May, 2019
提出了一种基于随机游走的灵活的超图数据聚类框架，该框架利用了依赖于边缘的顶点权重。通过使用边缘相关的顶点权重，我们说明了如何构建不同的超图拉普拉斯矩阵，并针对多个真实应用程序中的数据集进行了比较试验，结果表明该方法产生了更高质量的聚类结果。
Jun, 2020
本文通过研究高阶超图随机游走，介绍了一组超图拉普拉斯算子以统一超图的不同版本，证明这些拉普拉斯算子的特征值可以有效地控制高阶随机游走的混合速率，推广距离 / 直径和边界扩展。
Feb, 2011
该论文提出了一种基于 Markov Stability 的动态社区检测框架，该框架可以通过时间参数化函数自动查找在不同分辨率下的社区结构，并且能够高效地在大型网络中应用。
Feb, 2015
我们提出了一种基于随机游走的新方法，用于超图上的标签传播，其中我们将节点距离估计为随机游走的预期命中时间，并引入了困惑随机游走来更好地描述高度复杂的实际超图。我们还将我们的方法与 DeepWalk 进行了基准测试，结果显示在目标数量较小的情况下，FRW 在运行时间上具有明显的计算优势。最后，我们分析了我们方法的时间复杂度，并表明对于大型稀疏的超图，复杂度近似为线性，优于 DeepWalk 的替代方案。
Jan, 2024
提出了一种适用于具有多个共同体的带符号网络的随机游走算法，其结果是一个相似性矩阵，可用于将节点聚类成对立的共同体。通过一系列实验表明，相较于基于强型游走的相似性矩阵，基于弱型游走的相似性矩阵在具有多个共同体或在链接密度上不对称的图中能够更好地进行无监督和半监督聚类。这些结果暗示，在带符号网络中，通过用弱型游走代替强型游走来运行其他基于随机游走的算法可能会得到改进。
Jun, 2024
本文综述了在网络上的随机游走的理论和应用，突出了单个和非自适应随机漫步器的简单情况。它探讨了随机游走的三种主要类型 —— 离散时间随机游走、节点中心的连续时间随机游走和边缘中心的连续时间随机游走，并深入讨论了一些应用，包括节点排名、社区检测、应答式抽样和选民模型等。
Dec, 2016