图,如社会网络和分子图,是现实世界中无处不在的数据结构。由于它们的普遍存在,从图结构数据中提取有意义的模式以方便下游任务的开展具有重要的研究意义。图表示学习取代了手工设计的特征,它可以学习能够编码关于图的丰富信息的表示。它在节点分类、链路预测、图分类等任务中取得了巨大的成功,近年来受到越来越多的关注。

在本教程中,我们系统地回顾了图表示学习的基础、技术、应用和进展。首先介绍图论和图傅里叶分析的基础。然后介绍了近年来图表示学习的主要成果。具体讨论了六个方面的问题:1)网络嵌入理论与系统;2)图神经网络的基础;3)用于GNN的CogDL工具包;4)可扩展的GNNs,进行6)异构图和异构GNN中的自监督学习。最后,我们将介绍图表示学习的应用,并重点介绍推荐系统。

成为VIP会员查看完整内容
65

相关内容

图表示学习是2018年火爆全球的一个深度学习方向,从以 Line, meta-path 等为首的节点表示学习,到以 GCN,GraphSAGE,为首的图卷积方法,在到近期的以 GraphVAE 为首的生成图模型,图表示学习方向的文章如过江之鲫。
专知会员服务
45+阅读 · 2021年6月20日
【NLPCC教程】图神经网络与网络嵌入前沿进展,142页ppt
专知会员服务
70+阅读 · 2020年10月19日
【ECML/PKDD20教程】图表示学习与应用,200页ppt
专知会员服务
90+阅读 · 2020年10月18日
【KDD2020】图神经网络:基础与应用,322页ppt
专知会员服务
129+阅读 · 2020年8月30日
【KDD2020】图神经网络:基础与应用,322页ppt
图表示学习极简教程
PaperWeekly
5+阅读 · 2020年5月27日
基于 GNN 的图表示学习
DataFunTalk
9+阅读 · 2020年1月17日
Topological Graph Neural Networks
Arxiv
1+阅读 · 2021年10月11日
Arxiv
15+阅读 · 2020年2月5日
Arxiv
19+阅读 · 2019年11月23日
Heterogeneous Deep Graph Infomax
Arxiv
11+阅读 · 2019年11月19日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Arxiv
4+阅读 · 2018年3月22日
Arxiv
3+阅读 · 2018年2月11日
VIP会员
相关论文
Topological Graph Neural Networks
Arxiv
1+阅读 · 2021年10月11日
Arxiv
15+阅读 · 2020年2月5日
Arxiv
19+阅读 · 2019年11月23日
Heterogeneous Deep Graph Infomax
Arxiv
11+阅读 · 2019年11月19日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Arxiv
4+阅读 · 2018年3月22日
Arxiv
3+阅读 · 2018年2月11日
微信扫码咨询专知VIP会员