网络嵌入指南
本次调查综述了网络嵌入的发展历史以及对分类、聚类、链接预测和可视化等任务的作用，将网络嵌入方法根据不同场景进行了分类，包括监督学习、无监督学习、同质网络和异质网络等。最后，探讨了网络嵌入未来的研究方向。
Aug, 2018
本文综述了图嵌入技术的各种方法，介绍了三个不同的分类方法的代表性算法，并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向，并介绍了一个名为 GEM 的 Python 库，其中提供了所有介绍的算法作为一个统一的接口，以促进和便利这个领域的研究。
May, 2017
通过对大型网络的节点进行嵌入，得到欧几里德空间中的表示是现代机器学习中的一个常见目标，该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析，证明了其在聚类任务中表现出较弱的一致性，并对其在网络数据中的应用进行了讨论。
Oct, 2023
通过将三种方法（网络聚合，结果聚合和层共分析）应用于多层网络，我们将其投影到连续的向量空间中，并通过评估验证了其中一种方法（层共分析）在大多数数据集上的表现优于常规链接预测方法。
Sep, 2017
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
本文提出了一种新的网络嵌入方法 LINE，用于将大规模的信息网络嵌入到低维向量空间中，实现了节点分类，链路预测等任务。该方法优化了一个经过精心设计的目标函数，可以保留本地和全局网络结构，并提出了边缘采样算法，改进了经典随机梯度下降的限制和推理效率。经验证明了 LINE 在包括语言网络、社交网络和引用网络在内的各种真实世界的信息网络上的有效性。对于单个典型机器，该算法非常高效，可以在数小时内学习具有数百万个顶点和数十亿个边的网络嵌入。
Mar, 2015
本文选择 11 种代表性的图嵌入方法，对药物 - 疾病关联、药物 - 药物交互、蛋白质 - 蛋白质相互作用、医学术语语义分类和蛋白功能预测等 5 个生物医学任务的 3 种预测方法进行评估比较，并提出了挑选嵌入方法和设置超参数的普适指导原则。结果表明，最近的图嵌入方法在未使用任何生物学特征的情况下，能够取得与具有生物学特征的方法相媲美的预测性能。
Jun, 2019