本研究提出了一种新的动态属性网络嵌入框架 ——DANE，该框架采用了一种离线方法来达成共识嵌入，然后利用矩阵扰动理论来在在线方式下保持末状态的新鲜度。

Jun, 2017

本文提出了一种深度融合聚类网络（DFCN），采用自编码器和图自编码器进行结构信息的处理并采用可靠的目标分布生成度量和三元自监控策略，以实现交叉模态信息利用，对六个基准数据集的广泛实验表明，DFCN 一致优于现有技术。

Dec, 2020

本文提出了一种 DAEGC 算法，该算法通过引入注意力机制和自训练图聚类方法，针对特定聚类任务设计深度学习方法以生成目标图形的嵌入表征。

Jun, 2019

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

本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点，其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。

May, 2022

COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。

Jul, 2023

该论文提出了一种用于属性图数据的新型深度流形图自编码器（DMVGAE / DMGAE）方法，以提高学习表示的稳定性和质量，并解决拥挤问题。该方法在预定义的分布下保持了原始空间和潜在空间之间节点到节点的测地线相似性，并在流行数据集上显著超过了最先进的基准算法在不同的下游任务中，验证了我们的解决方案。我们承诺会在接受后发布代码。

Jan, 2024

通过估计数值节点属性之间的网络距离，我们可以创建网络感知嵌入，而不是对网络的节点进行聚类。在本文中，我们修复了无监督学习文献中的这个盲点，并展示了我们的方法在各种领域的应用中始终是有益的，并且可以提供可操作的见解。

Sep, 2023

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

本研究提出一个统一框架用于学习复杂网络的多种嵌入表示，包括不同属性节点和多样的边类型，支持基于图的归纳和转导学习，通过对四个数据集的系统评估，证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。

May, 2019