【WWW2018】网络表示学习Tutorial（附下载）- 专知

【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），