该论文提出了一个基于随机游走的图嵌入分析框架，包括三个组件：随机游走过程、相似性函数和嵌入算法，该框架不仅可以分类许多现有方法，而且自然地激发新方法，通过它，我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外，我们还发现，基于自协方差相似性的嵌入，在与点积排名进行链路预测时，比基于点互信息相似性的最先进方法表现提高了多达 100％。

Oct, 2021

提出了一种有效的方法以解决知识图谱嵌入中数据稀疏问题。该方法通过随机游走产生附加三元组来增加三元组数量，并从产生的随机游走元路径中准确有效地过滤出信息元路径。

Sep, 2022

本文主要介绍了知识图谱及其嵌入方法，并回顾了最近发展的一些基于随机游走的嵌入方法。

Jun, 2024

本文介绍了使用 Role2Vec 框架基于属性随机游走的方法来在图形数据分析中实现广义深度学习和节点表示学习，并取得了较好的效果和泛化能力。

Feb, 2018

RDF2vec 是一种知识图谱嵌入机制，从知识图中提取实体的序列，然后使用 word2vec 算法计算实体的向量表示，新引入的 e-walks 和 p-walks 强调实体的结构或邻域，可用于创建重点相似性或相关性的嵌入。

Apr, 2022

我们提出了一种名为 Walklets 的算法，通过子采样短的随机游走，在图的顶点之间建立多尺度关系，从而生成多维表示，用于社交网络等多标签网络分类任务，其效果优于 DeepWalk 和 LINE 等方法，且为在线算法，可轻松扩展到数百万个顶点和边。

May, 2016

本文通过扩展随机游走模型将其用于知识图谱嵌入中，提出了一种衡量实体之间关系强度的评分函数，并给出了该方法的理论分析和学习目标。在实验中，我们使用了该方法对 FB15K237 和 WN18RR 数据集进行了准确的嵌入学习，为该理论提供了实证支持。

Jan, 2021

本文提出了一种基于神经嵌入的端到端模式匹配新方法，该方法分为表匹配和属性匹配两步。实验结果表明，该方法能够以精确可靠的方式确定匹配，并且相较于传统模式匹配方法能找到非常规匹配点。

Mar, 2022

通过基于有意义的句子的图结构的嵌入方法，在大规模异构数据中高效提取信息，特别是文本数据的处理和分类问题中，展示出与其他算法相比显着更好的分类性能。

Apr, 2024

本论文介绍了带标记的随机游走的概念，以此为基础对现有的一些利用随机游走的算法如 DeepWalk、node2vec 等进行了推广，可适用于传导学习、归纳学习以及具备属性的图形数据，并在多个领域的各种图形上验证了该算法的有效性。

Sep, 2017