描述了一种基于物品图嵌入算法 (Item-Graph2vec) 的大规模物品推荐系统，该算法通过将用户的购物清单转化为物品共现图，并通过随机游走在该共现图上获取物品序列，最后通过序列样本训练物品向量。实验结果表明，在豆瓣数据集上，Item-Graph2vec 在效率方面比 Item2vec 高 3 倍，并且随机游走采样产生的误差较小。

Oct, 2023

在本研究中，我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法，通过在用户定义的子图内运行 walks，用于链接预测，并证明我们的方法在大多数情况下具有更好的性能。

May, 2024

本文介绍了一种基于分布式并行训练的新型 Word2vec 算法，可以有效训练具有数亿个单词的大词汇量语料库的词向量表示，而不需要大量数据传输或单个服务器的存储。经实验证明，在 Gemini 广告投放平台实践中取得了显著的业务贡献。

Jun, 2016

本研究提出 path2vec，一种学习图嵌入的新方法，它依赖于节点相似性的结构度量，该模型使用一个密集的空间来学习节点的表示，以逼近用户定义的图距离度量，并在语义相似性和词义消歧任务方面表现出色。

Aug, 2018

本文提出了一种基于随机游走和词嵌入的本体嵌入方法 OWL2Vec *，该方法将 OWL 本体的语义编码为结合了图结构，词汇信息和逻辑构造式的表示。通过在三个真实数据集上的实证评估，我们发现 OWL2Vec * 在类成员预测和类包含预测任务中从本体的三个不同方面受益，并且通常在我们的实验中优于现有的技术水平。

Sep, 2020

本文提出一种方法学习语言的词汇，并使用图嵌入技术和跨语言向量空间映射方法结合本体源和语料库来提高现有词向量的覆盖范围以及加强其词汇知识。所提出的方法在 Rare Word Similarity dataset 上表现出 10% 的性能提升。

Jul, 2017

本文提出了一种名为 residual2vec 的新型图嵌入方法，通过使用随机图来去除不同结构偏见，不仅改善了链接预测和聚类性能，还允许我们在图嵌入中明确地建模突出的结构特性。

Oct, 2021

该研究探讨了图形和关系结构的矢量表示，以及生成这些表示的方法。作者提出了两种理论方法来理解矢量嵌入的基础，并建议未来的研究方向。

Mar, 2020

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

本文介绍了一种用于学习单词表示的无监督图形表示方法，通过使用最短路径距离，将每个单词视为带权图中的节点，并表明比传统的向量表示方法更好地表现出单词的相似性和类比任务。

Oct, 2020