【WWW2018】网络表示学习Tutorial(附下载)

2018 年 4 月 25 日 专知 专知内容组
【WWW2018】网络表示学习Tutorial(附下载)

2018 年 4 月 23 日至 27 日,第 27 届国际万维网会议(26th International World Wide Web Conference) 在法国里昂举行。斯坦福大学SNAP组在WWW2018 上举办Tutorial介绍了网络表示学习的最近进展。专知小组整理分享给大家。


WWW2018会议日常可以参见专知以前报道:

国际万维网会议WWW 2018论文列表以及会议日程,一睹为快



Tutorial



 

随着社交媒体的飞速发展,大规模社交网络用户的形成使得传统的网络表示方法遇到了瓶颈,由于随着深度学习技术的蓬勃发展以及受自然语言处理领域词嵌入技术的启发,自动学习网络中节点的向量表示成为近年来的研究热点。斯坦福大学SNAP组在WWW2018 上举办Tutorial介绍了网络表示学习的最近进展。

 

简介



 

网络科学研究人员传统上依赖于用户自定义的启发式算法从复杂网络中提取特征(例如,度统计degree statistics或核函数)。然而,近年来,使用基于深度学习或者其它非线性降维的技术来自动学习网络节点的低维向量表示的方法层出不穷。这些网络表示学习( NRL )摒弃了费时费力的特征工程,并且在许多基于网络的任务中取得了最好的结果,例如节点分类、节点聚类和链路预测。


在本教程中,我们将介绍NRL在过去十年中的主要进步,重点是过去两年中取得的新技术。我们将讨论基于矩阵分解的经典方法、基于随机游走的算法(例如,DeepWalk和node2vec ),以及图形神经网络(eg., GCN)的最新进展。我们将介绍单个节点的表示学习方法以及整个(子)图的表示方法。

 

本次Tutorial于2018年4月24日在法国里昂举办的WWW 2018上举行。

 

Tutorial相关材料及目录



 

1. 第一部分:简介

  • 什么是网络表示学习? 为什么网络表示学习如此重要?


2. 第二部分:Node embeddings节点表示

  • 在复杂网络中学习节点的低维表示(e.g., DeepWalk and node2vec)


3. 第三部分:Graph neural networks 图形神经网络

  • 将深度学习应用在非结构化的network/graph上的最近技术(e.g., 图卷积网络(GCN),  GraphSAGE)


4. 第四部分:应用

  • 网络表示学习在推荐系统和计算生物学上的应用

 

 主讲人简介



 

所有组织者都来自于斯坦福大学Jure Leskovec领导的SNAP组。斯坦福网络分析平台(SNAP)是一个通用网络分析和图表挖掘库。具有超过50个大型网络数据集,包括社交网络,网络图表,道路网络,Internet网络,引文网络,协作网络和通信网络等等。


1. William L. Hamilton: 斯坦福大学计算机科学博士。他的研究重点是NRL以及大规模计算社会科学应用。他是SAP Stanford研究生奖学金的获得者,Alexander Graham Bell 研究生奖学金,他的工作已经被《纽约时报》、《连线》和BBC等媒体报道。node2vec 和GraphSAGE主要作者。

 

2. Rex Ying:斯坦福大学计算机科学博士。他的研究重点是应用在网络数据上的深度学习算法,并将这些方法应用于推荐系统、知识图推理、社交网络和生物学等领域。他也是GraphSAGE框架共同作者。


3. Jure Leskovec:斯坦福大学计算机科学副教授。他的研究重点是分析和建模大型现实世界的社会信息网络。2008年,他在卡内基梅隆大学获得机器学习博士学位,并在康奈尔大学学习了一年。他的作品获得了五项最佳论文奖,赢得了ACM KDD杯,并在传感器网络竞赛中脱颖而出。


4. Rok Sosic: 斯坦福大学高级研究员,致力于大规模网络分析的SNAP工具的开发与推广。他发表了50多篇论文,包括Supercomputing'95的最佳论文和高性能分布式计算领域的10篇顶级论文。他在犹他大学计算机科学博士学位,并于2012年加入斯坦福大学。


请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知),

  • 后台回复“NEPPT” 就可以获取WWW2018 网络表示学习Tutorial PPT下载~


参考链接:

http://snap.stanford.edu/proj/embeddings-www/

https://www2018.thewebconf.org/program/


PPT详细内容




附上第一部分和第二部分PPT内容




-END-

专 · 知

人工智能领域主题知识资料查看获取专知订阅】人工智能知识资料全集与专知AI知识技术服务群

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料

请扫一扫如下二维码关注我们的公众号,获取人工智能的专业知识!

请加专知小助手微信(Rancho_Fang),加入专知主题人工智能群交流!加入专知主题群(请备注主题类型:AI、NLP、CV、 KG等)交流~

投稿&广告&商务合作:fangquanyi@gmail.com


点击“阅读原文”,使用专知

登录查看更多
9

相关内容

基于网络的表示学习研究旨在探索能够更好地研究分析复杂信息网络中的节点间的联系, 寻找解决信息网络背景下的各种实际问题的普适方法, 有效融合网络结构与节点外部信息, 形成更具区分性的网络表示. 近年来, 网络表示学习问题吸引了大量的研究者的目光, 相关的论文工作也层出不穷。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

【导读】新加坡国立大学的Xiang Wang、Tat-Seng Chua,以及来自中国科学技术大学的Xiangnan He在WSDM 2020会议上通过教程《Learning and Reasoning on Graph for Recommendation》介绍了基于图学习和推理的推荐系统,涵盖了基于随机游走的推荐系统、基于网络嵌入的推荐系统,基于图神经网络的推荐系统等内容。

Tutorial摘要:

推荐方法构建预测模型来估计用户-项目交互的可能性。之前的模型在很大程度上遵循了一种通用的监督学习范式——将每个交互视为一个单独的数据实例,并基于“信息孤岛”进行预测。但是,这些方法忽略了数据实例之间的关系,这可能导致性能不佳,特别是在稀疏场景中。此外,建立在单独数据实例上的模型很难展示推荐背后的原因,这使得推荐过程难以理解。

在本教程中,我们将从图学习的角度重新讨论推荐问题。用于推荐的公共数据源可以组织成图,例如用户-项目交互(二部图)、社交网络、项目知识图(异构图)等。这种基于图的组织将孤立的数据实例连接起来,为开发高阶连接带来了好处,这些连接为协作过滤、基于内容的过滤、社会影响建模和知识感知推理编码有意义的模式。随着最近图形神经网络(GNNs)的成功,基于图形的模型显示了成为下一代推荐系统技术的潜力。本教程对基于图的推荐学习方法进行了回顾,重点介绍了GNNs的最新发展和先进的推荐知识。通过在教程中介绍这一新兴而有前景的领域,我们希望观众能够对空间有更深刻的理解和准确的洞察,激发更多的想法和讨论,促进技术的发展。

Tutorial大纲:

成为VIP会员查看完整内容
0
171

报告简介: 图形领域的机器学习是一项重要而普遍的任务,其应用范围从药物设计到社交网络中的友情推荐。该领域的主要挑战是找到一种表示或编码图形结构的方法,以便机器学习模型可以很方便地利用它。 报告中介绍了深度学习的技术,自动学习将图形结构编码为低维嵌入。以及表示学习的关键进展,包括图形卷积网络及其表示能力,探讨了它在Web级推荐系统、医疗保健、知识表示和推理方面的应用。

嘉宾介绍: 领域的大牛Jure Leskovec,是斯坦福大学计算机学院的副教授,也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。研究重点是对大型社会和信息网络进行挖掘和建模,它们的演化,信息的传播以及对它们的影响。 Jure Leskovec主页

成为VIP会员查看完整内容
0
120

推荐系统能够根据用户的偏好生成推荐项目的列表,而最终用户是这些传统系统中唯一的利益相关者。但是,在几个应用程序领域(例如电子商务、电影、音乐)可能有多个涉众。通过平衡不同利益相关者的需求来提出建议是必要的。本教程的第一部分介绍了多涉众推荐系统(MSRS)的几个案例研究,并讨论了MSRS中相应的方法和挑战。MSRS中目前的工作之一是基于实用价值的多利益相关者推荐模型,该模型利用多标准评级来构建实用价值函数。但是,在任何领域或应用程序中可能并不总是提供多标准评级或首选项。评论挖掘通常用于从文本或评论中提取用户偏好。它可能被用来推断项目不同方面的用户首选项。本教程的第二部分将介绍和讨论神经审查挖掘的建议。电子商务平台上的评论可以用来解决冷启动问题并生成解释。我们之前的教程介绍了对产品和主题模型/分布式表示的基于方面的情感分析,它们弥补了用户评论和产品描述之间的词汇差距。本教程第二部分的重点是介绍最近用于检查文本挖掘的神经方法--包括用于增强产品推荐的实际代码。每个部分将介绍各种机制(如注意力)和任务(如评论排名)视角下的主题,介绍前沿研究和使用真实数据集在Jupyter笔记上执行的程序的训练。

目录

  • Recommendation for Multi-Stakeholders

    • 介绍与动机
    • 问题陈述和解决方案
    • 演示和质量检查
  • Through Neural Review Mining

    • 背景
    • 冷启动
    • 基于方面的推荐/评论排名
    • 讲义演示
    • 评论/提示生成

源码链接:

https://github.com/vishalkakkar/CIKM_Tutorial

成为VIP会员查看完整内容
Slide_MSRS_ACM CIKM 2019.pdf
Principle to Program Neural Review.pdf
Cikm2019CRCTut 2.pdf
0
18
小贴士
相关论文
Wenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao,Jiliang Tang,Dawei Yin
15+阅读 · 2019年11月23日
Hongteng Xu,Dixin Luo,Lawrence Carin
6+阅读 · 2019年10月9日
Semi-Supervised Graph Embedding for Multi-Label Graph Node Classification
Kaisheng Gao,Jing Zhang,Cangqi Zhou
5+阅读 · 2019年7月12日
Sequential Scenario-Specific Meta Learner for Online Recommendation
Zhengxiao Du,Xiaowei Wang,Hongxia Yang,Jingren Zhou,Jie Tang
15+阅读 · 2019年6月2日
Deep Node Ranking: an Algorithm for Structural Network Embedding and End-to-End Classification
Blaž Škrlj,Jan Kralj,Janez Konc,Marko Robnik-Šikonja,Nada Lavrač
3+阅读 · 2019年3月13日
Attributed Network Embedding for Incomplete Structure Information
Chengbin Hou,Shan He,Ke Tang
3+阅读 · 2018年11月28日
Rex Ying,Ruining He,Kaifeng Chen,Pong Eksombatchai,William L. Hamilton,Jure Leskovec
10+阅读 · 2018年6月6日
Jiezhong Qiu,Yuxiao Dong,Hao Ma,Jian Li,Kuansan Wang,Jie Tang
15+阅读 · 2017年12月12日
Yike Liu,Abhilash Dighe,Tara Safavi,Danai Koutra
4+阅读 · 2017年4月12日
Bryan Perozzi,Rami Al-Rfou,Steven Skiena
7+阅读 · 2014年6月27日
Top
微信扫码咨询专知VIP会员