斯坦福CS224W《图机器学习》2023秋季开课了！Jure Leskovec大牛主讲，系统性讲述GNNs理论，附课程PPT下载

【导读】本文为大家带来了一份斯坦福大学的最新课程CS224W——图机器学习，主讲人是斯坦福大牛Jure Leskovec，他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。

近年来，图神经网络（GNN）成为网络表示学习和分析的热点研究问题，其特点是将以神经网络为代表深度学习技术用于网络结构的建模与计算。图神经网络能够考虑网络中的节点、边及其附带的标签、属性和文本等信息，能够更好地利用网络结构进行精细建模和深度推理，已经被广泛用于自然语言处理、社会网络分析、推荐系统等领域。**这个课程应该是近年来第一次全面总结图机器学习相关的课程，课程设置非常新颖也非常全面，包括近年来火热的图神经网络的局限和应用等等，课程全部的PPT 也已经放到网页上，**希望做这方面研究的童鞋多多学习！

原始链接：

http://web.stanford.edu/class/cs224w/

1 课程介绍

网络是建模复杂的社会、技术和生物系统的基本工具。结合在线社交网络的出现和生物科学中大规模数据的可用性，本课程着重分析大规模网络，这些大型网络提供了一些计算、算法和建模方面的挑战。通过研究学生潜在的网络结构和相互联系，向他们介绍机器学习技术和数据挖掘工具，这些工具有助于揭示社会、技术和自然世界的真知灼见。

复杂数据可以表示为对象之间的关系图。这种网络是模拟社会、技术和生物系统的基本工具。本课程着重于大量图的分析所特有的计算、算法和建模挑战。通过研究基础图结构及其特征，向学生介绍机器学习技术和数据挖掘工具，有助于揭示对各种网络的见解。

主题包括: 表示学习和图神经网络;万维网的算法;知识图推理;影响力最大化;疾病爆发检测，社会网络分析。

2 讲师介绍

Jurij Leskovec

主讲人是图网络领域的大牛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。在谷歌学术搜索（Google Scholar）上，Jure拥有接近14.5万的论文引用数量，H指数为142。

Leskovec的研究重点是对大型社会和信息网络进行分析和建模，以研究跨社会，技术和自然世界的现象。他专注于网络结构、网络演化、信息传播、影响和病毒在网络上的传播的统计建模。他所研究的问题是由大规模数据、网络和其他在线媒体引起的。他也致力于文本挖掘和机器学习的应用。

个人主页：https://cs.stanford.edu/~jure/

3 课程目录

**01：**图机器学习介绍（Introduction to Machine Learning for Graphs）

02：节点嵌入**（Node Embeddings）*

**03：图神经网络模型（Graph Neural Networks 1: GNN Model）

04: GNNs通用视角（A general perspective on GNNs）******

05：GNN增强与训练**（GNN augmentation and training）********

06：图神经网络理论（Theory of Graph Neural Networks）

**07：异质图（Heterogenous graphs）

08：知识图谱**（Knowledge Graph）******

09：知识图谱推理（Reasoning over Knowledge Graphs）*

10：快速神经子图匹配（ Fast neural subgraph matching）****

11：图神经网络推荐**（GNNs for recommenders）************

12：深度图生成式模型**（Deep Generative Models for Graphs）**

13：图神经网络高级主题**（Advanced Topics on GNNs）**

****14：图Transformers（ Graph Transformers）

15：扩展图**（Scaling to large graphs）****

**16：**几何深度学习（ Geometric deep learning）

**17：**链接预测与因果性（Link Prediction and Causality）

18：算法推理与GNNs**（Algorithmic reasoning with GNNs）**

29：结论 Conclusion