圖表示有兩種正規化：圖核（graph kernel）和圖神經網路（graph neural network）。圖核通常以無監督的方式基於分解建立圖嵌入。例如，我們可以計算一個圖中每種型別的三角形數量，或者更一般的三元組的數量，然後用這些計數來獲得嵌入。這是眾所周知的 Graphlet 核的例項。

所有大小為 4 的 Graphlet。計算一個圖所有四元組中每個 Graphlet 的數量，將得到 Graphlet 核。來源：《用於大圖比較的高效 Graphlet 核》（Efficient graphlet kernels for large graph comparison）

該正規化的主要研究動機是，建立一種能夠保持圖之間同構的嵌入，即當且僅當兩個圖的對應嵌入相同時，兩個圖才是同構的。如果我們有這樣的嵌入，就能解決圖同構問題。這是目前已知的比 P 問題更難的問題。然而，還有一些嵌入，比如 Anonymous Walk Embeddings （匿名步行嵌入），它就保留了同構，當然，這是以執行時間計算為代價的。儘管如此，本文的主要資訊是，圖核是用來解決圖同構問題的， 嵌入能區分的圖越多，嵌入就越好。