斯坦福Jure Leskovec图表示学习：无监督和有监督方法（附PPT下载）

【导读】现实生活中的很多关系都是通过图的形式来表达的，针对图结构数据的分析的一个关键问题就是如何合理的表示图结构的低维特征表示，也即是图表示学习。斯坦福大学的Jure Leskovec是图表示学习方法node2vec和GraphSAGE作者之一，在这次演讲中他分别以这两种方法为例，详细讲解无监督和监督方法的图表示学习。

▌相关论文和代码

---

---

• 论文

---

• node2vec: Scalable Feature Learning for Networks. A. Grover, J. Leskovec. KDD 2016.

• Predicting multicellular function through multi-layer tissue networks. M. Zitnik, J. Leskovec. Bioinformatics, 2017.

• Inductive Representation Learning on Large Graphs.

  W. Hamilton, R. Ying, J. Leskovec. NIPS 2017

• Representation Learning on Graphs: Methods and Applications. W. Hamilton, R. Ying, J. Leskovec. IEEE Data Engineering Bulletin, 2017.

• 代码

---

• 无监督方法

• http://snap.stanford.edu/node2vec

• 有监督方法：

• http://snap.stanford.edu/graphsage

 

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“GRL” 就可以获取最新PPT 下载链接~ 

参考链接：

https://cs.stanford.edu/people/jure/index.html

▌PPT

---

---

 

这是报告的PPT内容：

-END-

专 · 知

人工智能领域主题知识资料查看获取：【专知荟萃】人工智能领域26个主题知识资料全集（入门/进阶/论文/综述/视频/专家等）

同时欢迎各位用户进行专知投稿，详情请点击：

【诚邀】专知诚挚邀请各位专业者加入AI创作者计划！了解使用专知！

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！

点击“阅读原文”，使用专知！