本文介绍了 subgraph2vec，一种用于从大型图形中学习根节点子图的潜在表示的新方法，该方法受到深度学习和图形核方法的最新进展的启发。我们证明了我们的方法能够与 CNNs、SVMs 和关系数据聚类算法等分类器相结合，从而实现显著优越的准确度。此外，我们还展示了子图向量可以用于构建深度学习 Weisfeiler-Lehman 图形核的变体。我们对多个基准和大规模真实世界数据集进行的实验表明，subgraph2vec 在监督和无监督学习任务中都显着提高了图形核方法的准确性。

Jun, 2016

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

提出了一种基于图形的单词嵌入算法 Word-Graph2vec，通过将大语料库转换为单词共现图然后从该图中随机抽取单词序列样本并在此抽样语料库上训练单词嵌入，在实验中表现出较高的效率并且随着训练语料的增加，其性能优势变得越来越明显。

Jan, 2023

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

本文提出一种新的多元化方法 ——Metagraph，用于网络嵌入学习中捕捉不同节点之间更丰富的结构和语义上下文信息，从而在处理非常稀疏的异构信息网络时提高了 MetaPath 嵌入技术的能力，并实验证明 MetaGraph2Vec 算法能够优于各项异质网络挖掘任务中的现有技术。

Mar, 2018

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

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

知识图谱是一个基于图形的数据结构，用于表示世界的事实，其中节点表示现实世界的实体或抽象概念，边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型，它们根据语义属性、评分函数和架构的不同而有所区别，并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。

Apr, 2024

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