本文提出了基于超伯利模型的时间图网络（HTGN），旨在通过利用超伯利几何的指数能力和层次意识来捕捉时变行为并保持层次信息，从而在时间图嵌入方面取得更好的效果。在多个真实数据集上的实验结果表明，HTGN 在各种时间链接预测任务中的表现优于竞争方法。

Jul, 2021

本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN，通过分布式的超图划分和开发基于超图的并行化节点嵌入算法，实现了对异构信息网络的高效节点嵌入学习和分布式处理。

Jan, 2022

本文提出一种基于异构网络嵌入的方法 HERec 来解决 HIN-based 推荐系统中的冷启动问题，该方法通过设计基于元路径的随机游走策略来嵌入 HINs，并通过一组融合函数将学习到的节点嵌入首先转换为扩展矩阵分解模型。HERec 模型通过实验表明其有效性，并表明从 HINs 转换的嵌入信息可以改善推荐性能。

Nov, 2017

通过 HEER 算法对边表现和异构度量的妥善学习，解决了综合转录异构信息网络的挑战，并在真实数据集上展示了模型的有效性和边表现和异构度量的实用性。

Jul, 2018

本文提出了一种新的深度超网络嵌入模型，采用非线性元组相似函数保持超网络中的本地和全局相似性，并且在 GPS 网络、在线社交网络、药物网络和语义网络上的实验结果表明，该方法能够显著且持续地优于现有算法。

Nov, 2017

该论文提出了一种新颖的自我引导随机游走方法，将异构网络嵌入到双曲空间中进行嵌入，无需使用领域特定的先验知识进行元路径选择，实验证明该方法在网络重建和连接预测方面表现优异。

Jun, 2021

本研究提出了一种新颖动态异构网络嵌入方法，称为 DyHATR，在使用分层注意机制来学习异构信息的基础上，结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势，并在实际应用中得到了较好的表现。

Apr, 2020

本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

Sep, 2023

TGNE 是一种创新方法，通过在潜在空间中使用高斯分布的分段线性轨迹将节点嵌入，捕捉结构信息和轨迹的不确定性。结果表明，TGNE 在重新构建未观察到的边交互以及建模不确定性方面具有竞争力。

May, 2024

提出 SUMSHINE（Scalable Unsupervised Multi-Source Heterogeneous Information Network Embedding），这是一个可扩展的无监督框架，用于对齐多个异构信息网络源之间的嵌入分布，并在各种下游任务中验证其在真实世界数据集上的性能优于最先进的异构信息网络嵌入算法。

Jul, 2023