图挖掘与多关系学习，亚马逊与CMU-WWW2021教程，附161页ppt

给出一个大的图，比如谁买什么，哪个节点是最重要的节点?我们如何找到社区?如果节点有属性(比如，性别，或环保，或欺诈者)，并且我们知道一些节点的利益值，我们如何猜测其余节点的属性?图表自然地表示了一系列过程，包括社交网络或通信网络上的人之间的交互、万维网上网页之间的链接、客户和产品之间的交互、产品、公司和品牌之间的关系、恶意账户之间的关系，以及许多其他过程。在这些场景中，模拟真实网络的图通常是异构的、多模态的和多关系的。随着越来越多相互关联的结构化和半结构化数据的可用性，利用网络的异构和多关系特性来有效挖掘和学习此类数据的重要性变得越来越明显。在本教程中，我们将介绍经过时间考验的图挖掘算法(PageRank, HITS, Belief Propagation, METIS)，以及它们与多关系学习方法的连接。我们既讨论了传统的纯图，也讨论了异构的属性图。我们的重点是这些工具背后的直觉，只指向它们背后的定理。本教程将包括许多Web会议社区直接感兴趣的设置示例(例如，社交网络、推荐系统和知识图谱)。

https://graph-mining-tutorial.github.io/www2021/#slides

引言与动机 Introduction and Motivation.

• 纯图 Part 1: Plain Graphs - Traditional tools

  • Node Importance, Node Proximity, Link Prediction: SVD, PageRank, HITS, SALSA
  • Community Detection METIS, Co-clustering, Cross-associations ‘No good cuts’
  • Fraud and Anomaly Detection OddBall, CopyCatch, EigenSpokes, Fraudar; Survey on anomaly detection applications
  • Belief Propagation (Basic, FastBP, zooBP); FastBP and extensions; Applications: NetProbe, Snare, Polonium

• 复杂与异构图 Part 2: Complex and Heterogeneous Graphs

• Factorization Methods: Factorization Machines; PARAFAC, Survey on tensors, and applications

• Heterogeneous Information Networks and Meta-path-based methods

• Prediction and Recommender Systems, Entity Resolution and Knowledge Graph Identification

• 结论 Conclusions