提出基于偏置随机游走的可扩展无监督特征学习算法 BiasedWalk，适用于网络的降维和链接预测等任务，并在实验中显示它的优越性。
Sep, 2018
本文提出了一种名为 CrossWalk 的方法，通过加权和偏置随机游走，使得节点嵌入更加公平，并且能够适用于任何基于随机游走的节点表示学习算法，以增强不同图算法的公平性。
May, 2021
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
该论文提出了一种基于注意力模型的图嵌入方法，通过训练随机游走的参数来优化上游目标，提高图结构保留性能，改进了现有方法达到了较高的预测准确率。
Oct, 2017
DeepWalk 是一种用于学习连续向量空间中网络节点的潜在表示的新颖方法，它将图中的节点用随机游走表示为句子，进行类比于词的无监督特征学习，适用于社交网络等多标签网络分类任务中表现优异，适用于各种实际应用中的网络分类和异常检测。
Mar, 2014
我们提出了一种名为 Walklets 的算法，通过子采样短的随机游走，在图的顶点之间建立多尺度关系，从而生成多维表示，用于社交网络等多标签网络分类任务，其效果优于 DeepWalk 和 LINE 等方法，且为在线算法，可轻松扩展到数百万个顶点和边。
May, 2016
该研究提出了一种基于匿名行走（anonymous walk）的、无需监督的图嵌入方法，用于提高使用卷积神经网络和传统图核方法进行图分类任务的分类准确度，同时实现大规模的图表示学习。
May, 2018
本文介绍了 Word2vec、Skip-Gram、Negative Sampling 和 DeepWalk 等工具和算法，重点讲述了 DeepWalk 算法在图上节点嵌入方面的研究和应用，并证明了 DeepWalk 算法实际上是在对一个矩阵进行分解。
Jan, 2015
本文介绍了使用 Role2Vec 框架基于属性随机游走的方法来在图形数据分析中实现广义深度学习和节点表示学习，并取得了较好的效果和泛化能力。
Feb, 2018
本文提出了一种从不受敏感结点影响的无偏图学习结点嵌入的新方法，实现无偏图嵌入的两种方法通过理论和实验的对比表明其有效性。