本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。
Jun, 2015
这项研究设计并实施了一种基于遥感图像和机器学习模型的自动路径网络生成流水线，旨在减少标注数据的要求并能够低成本有效地生成可加载和可视化的路径网络。
Sep, 2023
本文介绍了一种自我监督的地理位置表示学习技术，使用无标注的 GPS 轨迹学习地理位置的语义特征并为地理计算机视觉任务提供特征表示，通过将 GPS 轨迹建模为地球表面的一些节点或像素，使用卷积、收缩自编码器学习压缩地理位置的可达性嵌入并取得了显著性能提升。
Oct, 2022
通过字典学习提出了一种可解释的轨迹表示学习框架，该框架通过提取常用子路径的紧凑字典来重构轨迹，得到了自然稀疏且编码了强烈的空间语义的表示。
Dec, 2023
本研究提出一种弱监督对比学习模型，通过构造有意义的正负时空路径样本来训练具有空间和时间信息的时间路径编码器，以获得通用的时间路径表示，用于智能城市应用的不同任务，同时采用课程学习策略来指导对比学习
Mar, 2022
本研究提出了一种深度学习框架，同时进行视觉表示的深度特征学习以及时空上下文建模，以实现准确的视觉路径预测，并构建了基准数据集进行综合性评估，得到了优于现有方法更好的泛化能力和性能表现。
Jan, 2016
在这项工作中，我们提出了一种新的方法来学习元路径和元路径图神经网络，通过少量信息丰富的元路径来提高准确性，在增量构建元路径的过程中使用评分函数来衡量关系的潜在信息量。实验评估表明，该方法即使在存在大量关系的情况下，也能正确识别相关的元路径，并在综合和真实世界实验中显著优于现有的多关系图神经网络。
深度神经网络的层次计算可以看作是在高维表示空间上的一条路径，通过度量相似性等工具可以理解和解释神经网络的训练过程，并发现不同模型之间的相似之处。
Jun, 2022
在该研究中，我们介绍了一种名为 PEARLM 的新方法，它通过语言建模来有效捕捉用户行为和产品侧知识，直接从知识图谱中的路径中学习知识图谱嵌入，并通过序列解码的约束保证路径与知识图谱的一致性。与现有技术相比，我们的方法在两个数据集上表现出了显著的有效性。
Oct, 2023
这篇论文介绍了使用连续强化学习和深度内容嵌入相结合的半监督联合学习框架以自动发现对于两个节点组对的有用路径来解决异构网络中复杂节点相似性建模的挑战，并且通过实验表明了该算法的出色性能。
Sep, 2019