- 基于 Node2vec 的深度学习模型用于链接预测
本文提出了一种深度学习模型 NODDLE，它结合了 node2vec 和神经网络，使用 Adam、Adamax、Adadelta 和 Adagrad 优化器，用于解决在动态网络中连接预测的问题，并在多个社交网络数据集上表现比传统方法更好。
- AAAI基于单纯复合体的文本属性网络隐私保护表征学习
研究了利用 simplicial neural networks 学习含文本属性复合单体复杂网络的表示，并对 SNN 的表示输出进行了成员推理攻击和图重构攻击，研究如何通过隐私保护的算法利用 multi-scale 关系和从局部结构到全局不 - WWWHDMI：高阶深度多路混合信息最大化
本研究提出了一种名为 High-order Deep Multiplex Infomax (HDMI) 的框架，用于在多重网络上进行自监督节点嵌入学习，通过利用高阶信息熵来获取外在与内在监督信号，结合注意力机制融合不同层的节点嵌入，取得了在 - KDD通过监督式网络污染对网络嵌入进行对抗攻击
本文从对抗性的角度研究了网络嵌入算法，提出了一种超越现有方法的监督式网络攻击策略 VIKING，并将其扩展到半监督攻击情形并展示了与监督式攻击相当的表现。
- 图邻域注意池化
本研究提出了一种名为 GAP 的新型上下文敏感的算法，它使用注意力池化网络在不需要额外特征或社区检测算法的情况下，学习到了在节点邻域不同部分的出现概率，并在真实的数据集上表现出了优秀的表现超过了 10 种流行的最新模型。
- AAAI指数族图嵌入
本文提出了一种基于随机游走的网络表征学习技术，使用指数族分布来捕捉节点之间的丰富交互模式，并研究了该模型的三个具体实例，实验结果表明该技术在两个下游机器学习任务中胜过基线方法。
- KDDMCNE: 一个端到端的框架，用于学习社交网络的多个条件网络表示
本文提出 MCNE 框架，通过条件嵌入、图神经网络等技术，支持多行为偏好的表示学习，达到较好的可视化性和鲁棒性表现。
- 网络表示学习：巩固与更新方向
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。
- 通过分层取样学习网络的拓扑表示
该论文提出了一种名为 HSRL 的新型网络表示学习 (NRL) 框架，通过递归地压缩网络来同时学习网络的局部拓扑和全局拓扑，并证明其在五个真实世界数据集上的链路预测方面优于现有方法。
- 学习二部网络的顶点表示
本文研究了网络表示学习领域中针对二分网络的。尽管节点嵌入图算法（Node2Vec）和线性邻居保留嵌入（LINE）等方法可以应用于二分网络的顶点嵌入中，但针对二分网络的研究尚不足够。
- dynnode2vec：可扩展的动态网络嵌入
本文介绍了一种动态网络嵌入方法 dynnode2vec，解决了静态网络嵌入方法在动态网络上运用的问题，并在多个大型动态网络数据集上进行了实证评估。
- ICML通过图毒化对节点嵌入进行对抗攻击
本研究针对网络表征学习方法中基于随机游走的广泛使用问题，提供了首个对其鲁棒性的对抗性漏洞分析，提出有效的对抗性扰动对网络结构造成了负面影响，并证明本研究提出的攻击是可迁移的。
- 基于增强低秩矩阵逼近的多层网络嵌入
本文提出一种多层网络嵌入框架 BoostNE，能够从粗到细学习不同粒度的多个网络嵌入表示，超越现有的网络嵌入方法。
- 网络表示学习：一份综述
本综述全面地回顾了数据挖掘和机器学习领域的网络表征学习技术的当前文献，并根据基本的学习机制、网络信息的保留意图以及算法设计和方法学对其进行分类和总结，同时对于验证网络表征学习的评估协议，如公开的基准数据集、评估方法和开源算法也进行了总结和分 - NIPS大规模属性图的归纳表征学习
本研究提出了一个基于属性随机游走的框架用于推断网络表示学习，该框架可以更广泛地应用于现有的机器学习方法中，并解决了现有方法中节点身份相关性的固有问题。