本研究提出了一种新颖的多重图嵌入方法，结合层次维度嵌入与超球图神经网络，有效解决高维多重图的几何失真问题，显著提升下游任务的性能。

本研究提出了一种新的状态-动作轨迹嵌入方法，解决了现有轨迹编码在多任务间泛化能力不足的问题。该方法无需奖励标签，能够有效捕捉动态决策过程中的技能和能力，实验结果表明其在模仿、分类、聚类和回归等任务中表现优异。

本文提出了一种新颖的知识图谱嵌入方法，通过引入虚拟关系原型实体，增强同一关系下实体的语义相似性，从而显著提升实体对齐和知识图谱完成的效果。

本研究分析了时空图神经网络在长期交通预测中的适应性不足，提出了一种基于主成分分析的嵌入方法，以提高模型的灵活性和跨城市的零-shot预测能力。

本研究采用知识图谱嵌入方法，区分引用与不引用的文章对，展示其在识别文献引用关系中的优势，强调其在知识影响解读和结构分析中的重要性。

本研究提出了Dialog2Flow（D2F）嵌入方法，旨在从未标注对话中提取结构化工作流程。D2F通过软对比损失增强表示学习，优于传统句子嵌入，提升了对话的透明度和可控性。

本研究评估了多种上下文嵌入方法和预训练模型，以改善材料科学中的属性预测。结果显示，MatBERT模型在提取化合物名称和材料属性方面优于通用模型。研究指出，MatBERT的第三层嵌入结合上下文平均法是捕捉材料属性关系的最佳方法，强调了针对材料科学的训练重要性。

本文介绍了一种新的实体对齐方法，基于嵌入技术。通过研究23种方法，提出了新的知识图谱采样算法，并生成不同异质性和分布的基准数据集进行评估。测试了12种方法，分析其优缺点，并进行了探索性实验，报告了未来研究的初步结果。

该文介绍了一种新的知识图谱嵌入方法，通过引入虚拟的关系原型实体来表示连接同一关系的头尾实体的原型，有效鼓励了由同一关系连接的可能在知识图谱中相距较远的实体的全局语义相似性。该方法在实体对齐和知识图谱完成任务上表现优于最新的现有方法。

本文总结了使用当今的语言模型（LLM）完成时间序列（TS）任务的两种策略：LLM-for-TS和TS-for-LLM。作者关注TS-for-LLM方法，通过设计适用于LLM的TS嵌入方法来激活LLM对TS数据的处理能力。实验证明，LLM可以处理TS数据而不损害其语言能力。