本文介绍了一种新的条件网络嵌入方法，使用贝叶斯方法进行实现，本方法可以在一些网络结构较为复杂的情况下提高嵌入方法的表现，适用于网络的链接预测、多标记分类等任务，并且不增加计算复杂度。

May, 2018

本文提出了一种基于矩阵分解的网络嵌入算法，该算法通过实现节点分离来减少不相关节点的嵌入，从而达到大规模网络的可扩展性，适用于分布式学习以及其他进一步适应性，实验结果表明，该算法在保证准确性的前提下，显著提高了大型网络的运行时间，并优于现有的基线算法。

Nov, 2018

本研究提出了一种名为COSINE的算法，它利用网络中节点相似的邻居特性，在训练过程中通过参数共享来降低内存开销并加速训练，并通过图分区算法构建节点间的参数共享依赖关系，使得网络嵌入更为高效和有效。COSINE可应用于任何嵌入式查找方法，具有较高的嵌入质量，更少的内存开销和更短的训练时间。实验证明，与基线相比，COSINE可以提高多标签分类和链接预测的准确率，且降低嵌入学习方法的训练时间。

Dec, 2018

本研究对15个数据集进行了12种度量方法的实验研究，其中涵盖了图的非线性降维和表示学习。结果显示，无论是在连接预测还是节点分类任务中，没有一种方法完全胜出。

May, 2019

本文针对网络嵌入中的初始化问题进行了研究，提出了一种基于图划分技术和抽象图构建的嵌入初始化方法，可以显著提高最新算法在链接预测和节点分类中的表现并减少运行时间。

Aug, 2019

FastRP是一种用于学习图中分散式节点表示的可扩展和高性能算法，其构建了捕捉图中传递关系的节点相似度矩阵，利用非常稀疏的随机投影进行维度缩减，并迭代计算节点嵌入，从而达到了与DeepWalk和node2vec相当甚至更好的性能。

Aug, 2019

本文提出了一种名为G-CREWE（Graph CompREssion With Embedding）的框架，可以通过节点嵌入来解决网络对齐问题，并且采用MERGE压缩机制以提高效率和精度。实验表明，该方法比现有竞争方法快两倍以上，同时保持高准确性。

Jul, 2020

本文综述了网络嵌入技术的相关文献，介绍了当前流行的方法和研究动态，以帮助读者在这个领域的复杂研究中找到方向。

May, 2023

本文研究动态网络嵌入的问题，通过应用已建立的静态网络嵌入方法到扩展的展开邻接矩阵，实现对动态网络中节点的解释性和强大的嵌入表示，提供理论保证和假设测试框架以评估动态网络嵌入质量，并证明我们提出的稳定展开方法不仅更易解释，而且比不稳定方法更有表现力。

Nov, 2023

本文研究图嵌入的质量以及其在社区检测方面的有效性，通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离，将顶点嵌入作为距离矩阵的变换结果进行分析，并在多个基准数据集上进行评估。结果表明，该方法操作于降维表示，使得计算复杂度大为减少，且性能与传统算法相媲美。

Apr, 2024