本研究探讨自监督学习中图嵌入的平滑性与下游任务表现之间的平衡，提出了一种新的损失函数以提升图嵌入质量。实验结果显示，该框架在节点分类和链接预测任务中表现优异。

本研究提出了一种新颖的深度切割信息引导的图嵌入与聚类框架DCGC，有效解决了图神经网络聚类中的表示崩溃问题，显著提升了聚类性能。

本研究结合自编码器预训练技术与图嵌入模型，显著降低了神经网络物理模拟器对网格拓扑变化的敏感性，提升了模拟器性能，为未来研究指明了方向。

本研究提出双层行走（TLWalk）算法，解决了图嵌入方法在捕捉社区结构方面的不足。TLWalk通过社区感知的随机行走机制，平衡社区内部与外部的关系，降低局部偏倚。实验表明，该算法在链接预测任务中的准确率提高了3.2%，且具有良好的适应性和可扩展性。

研究提出了Janus框架，通过大型语言模型整合图和文本数据，利用对比学习对齐模态空间，在问答任务中性能提升最高达11.4%。

研究提出了一种名为TopER的新方法，通过简化持久同调来改进图嵌入的可解释性和可视化。TopER在分类和聚类任务中表现优异，并在多个基准数据集上优于现有方法，展示了其实用性。

本文探讨了在超宇宙中通过神经网络学习图结构数据的嵌入方法，提出了基于黎曼几何的变分自编码器框架，展示了不同几何结构对机器学习模型性能的提升。研究强调了范数空间在图嵌入中的优势，并提出了新的时空图神经网络模型，以改善动态系统建模效果。

本文介绍了多种图嵌入学习方法，如Metagraph、MAGNN、subgraph2vec和Graph2vec，旨在提升异构信息网络的节点嵌入能力。这些方法在链接预测、图分类和用户购买预测等任务中表现优于现有技术，显示出在多关系图神经网络和生物医学领域的应用潜力。

本文提出了一种基于扩散流形学和双曲几何学的分层数据嵌入方法，能够有效恢复分层结构，并在图嵌入基准上表现出显著优势。实验结果表明，该方法在表示能力和泛化方面优于现有基线。

本文探讨了使用强化学习优化组合问题的方法，包括基于深度 Q 网络的记忆效率算法和结合图嵌入的元算法，展示了在多种 NP-hard 问题上的优越性能和高效性。

本文介绍了一种基于随机游走的框架，旨在优化图形统计数据的估算，提高准确性和效率。研究探讨了高阶网络中的信息扩散，提出了新型随机游走模型和图嵌入分析框架，改进了多特征对象分类和链路预测的性能。此外，介绍了带标记的随机游走和基于交通时间的网络嵌入算法，展示了其在机器学习任务中的有效性。

该论文提出了一种综合的图社区检测方法，通过将图嵌入欧几里得空间实现低维表示，聚类顶点并识别社区间的结构相似性。研究表明，该算法在模拟和真实数据上有效，适用于大规模稀疏网络，能够量化聚类质量并实现图的划分。

本文综述了基于图神经网络的知识感知深度推荐系统，重点探讨图嵌入模块在解决冷启动等推荐问题中的应用。研究表明，结合知识图谱的推荐模型在个性化推荐中表现优越，显著提升了推荐的准确性和性能。

该研究使用基于时间尊重的随机游走构建的图嵌入来定义暂态图之间的距离，并研究了匹配和不匹配图的情况。结果展示了该距离定义对于不同结构和时间特性的图的区分能力，并提出了适用于大规模暂态图的有效距离计算实现，并利用机器学习技术进行了优化。

本文介绍了VQ-GNN，一种基于向量量化技术的通用框架，用于解决图神经网络中的邻居爆炸和扩展性问题。该框架有效地保留了节点信息，并使用少量的量化参考向量和低秩图卷积矩阵进行图嵌入。同时，该框架还设计了基于近似算法的信息传递和反向传播规则来优化模型性能。在节点分类和链接预测基准测试中，该框架表现出了可伸缩性和竞争力。