- 基于 PPR 的嵌入方法的深度理解：拓扑视角
该研究论文讨论了节点嵌入、个性化 PageRank、图拓扑以及基于 PPR 的嵌入方法对各种下游任务的优势的解释性分析。
- 基于大小相邻路径识别的异构图神经网络分类聚合算法
通过研究不同数据集中的元路径，本文发现不同元路径之间连接的邻居数量存在巨大差异，并针对大邻居路径中包含的噪声干扰问题，提出了基于大和小邻居路径识别的异构图神经网络分类和聚合算法（LSPI），通过路径判别器将元路径划分为大和小邻居路径，并从拓 - 在基于社交推荐项目中利用 Transformer 层改进图卷积网络
该研究通过引入多层 transformer 架构对 GCN 进行改进，重点集中于节点嵌入的编码器架构，利用注意力机制重新排列特征空间以获得更高效的下游任务嵌入，实验证明所提出的架构在传统链接预测任务上表现更好。
- HyperS2V: 超网络节点结构表示的框架
该研究介绍了 HyperS2V，一种以超级网络的结构相似性为中心的节点嵌入方法。研究通过建立超级度的概念来捕捉超级网络中节点的结构特性，并提出了一种用于衡量不同超级度之间结构相似性的新函数。最后，利用多尺度随机游走框架生成结构嵌入。通过在玩 - IJCAI基于语义知识的多变量时间序列预测的规则化图结构学习
本文提出了一种正则化图结构学习模型 (RGSL)，通过节点嵌入推导出隐式的密集相似矩阵，利用 Gumbel Softmax 技巧学习稀疏的图结构，然后使用 Laplacian Matrix Mixed-up Module (LM3) 将显式 - KDDFedWalk：差分隐私通信高效的联邦无监督节点嵌入
本文介绍 FedWalk，一种基于随机游走的无监督节点嵌入算法，旨在在保护数据隐私的同时提供类似于中心化的节点嵌入能力，并通过设计分层聚类树、动态时间规整算法、序列编码器和双跳邻居预测器等模块来实现。通过实验证明，Fed-Walk 可以实现 - 面向职业过渡标签图的工作标题表征学习
构建包含工作职称和工作职责或功能相关单词的节点的异构图：职位过渡标签图，以改进工作职称表示的质量和相应的分析任务。
- GlobalWalk: 通过偏置采样学习全局感知的节点嵌入
本研究提出了一种偏好与相似语义节点相连接的随机游走策略 GlobalWalk，以获取更全局感知的节点嵌入表示。实验证明，该方法可以提高所生成嵌入表示的全局认知度。
- 关于使用对抗训练进行图自编码器泛化的研究
通过在图嵌入方法中使用 L2 和 L1 两种形式的对抗训练，在链接预测、节点聚类和图异常检测等三个应用程序中，提高了嵌入模型的泛化能力。
- KDD基于学习的邻近矩阵分解用于节点嵌入
该论文提出了一种可训练相似度度量的节点嵌入方法 ——Lemane，该方法在大规模图上有着较高的可扩展性和更好的表现。
- 利用通道剪枝加速大规模实时 GNN 推理
本文提出通过修剪每层维度中对输出结果的影响程度很小的特征维度，使用 LASSO 回归公式设计修剪框架来加速 GNN 推理。针对计算和存储情景，设计了修剪方案。此外，还有效地存储和重复利用已访问节点的隐藏特征，显著降低了计算目标嵌入所需支持节 - 混合多样专家的图分类
本文提出了一种名为 GraphDIVE 的基于节点嵌入的图分类不均衡问题的解决方案，使用多样的专家（即图分类器）进行图分类，通过分阶段训练实现对不均衡样本的有效分类。
- 一种基于超图半监督学习的非线性扩散方法
本文开发了一种在超图上扩散特征和标签的非线性扩散方法，通过超图结构进行扩散可以将其解释为超图平衡网络，并以此为节点内嵌，使用线性模型进行预测。该方法比几种超图神经网络更准确，训练时间也更短。
- WWW双超图卷积神经网络应用于多路二分网络嵌入
本文提出了一种无监督的 Dual HyperGraph Convolutional Network (DualHGCN) 模型，通过将多重二分网络转化为两组同质超图，并使用谱超图卷积算子以及内部和跨域间的信息传递策略来学习有效的节点嵌入，对 - 可扩展自监督图表征学习的子图对比
提出了一种基于自监督的子图对比 (Subg-Con) 的图表示学习方法，有效捕捉了大规模图数据中的区域结构信息，在弱监督、模型可伸缩性和并行性等方面具有显著的性能优势。
- G-CREWE: 利用嵌入进行图压缩，实现网络对齐
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 - ICLR几何图卷积神经网络：Geom-GCN
本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达 - KDD基于一阶线性模型的简单高效图自编码器
使用更简单的线性模型代替多层图卷积网络编码器学习节点的向量空间表示，在节点嵌入等任务上表现良好，提出对于复杂的图自编码器和变分自编码器反复使用这些基准数据集进行比较的问题。
- HeteSpaceyWalk: 一种异构空间随机游走方法用于异构信息网络嵌入
本文提出了一种异构个性化空间随机游走算法，将元路径引导的随机游走过程形式化为高阶马尔可夫链进而解决马尔可夫链的稳定性问题，实现了多类型节点的嵌入学习，并在多种异构网络上进行了实验验证。
- ICLR有向图的低维统计流形嵌入
本研究提出了一种新型的节点嵌入方法，通过全局最小化成对相对熵和非线性的图地理路径，将每个节点编码为测量空间上的概率密度函数，并研究了其几何性质和有效的学习过程，实验结果表明，该方法在保留全局地理信息方面优于现有模型，并在无监督设置下在各种评