斯坦福大牛Jure主讲《图机器学习》课程CS224W完结，视频及课件全部放出！

2021 年 4 月 17 日 专知

图是一种强大的数据结构，可以用于建模许多真实世界的场景，图能够对样本之间的关系信息进行建模。但是真实图的数据量庞大，动辄上亿节点、而且内部拓扑结构复杂，很难将传统的图分析方法如最短路径、DFS、BFS、PageRank 等算法应用到这些任务上。因此有研究者提出将机器学习方法和图数据结合起来，即图机器学习，这逐渐成为近年来机器学习中的一股热潮，特别是图神经网络（GNN）。

此前，斯坦福大学计算机学院副教授 Jure Leskovec 等人开了一门课程——CS224W，主题是图机器学习。最近，CS224W 2021 完结了，全部课件和视频都放出了。

课程主页： http://web.stanford.edu/class/cs224w/

这门课程主要聚焦分析大量图时所面对的计算、算法和建模挑战。通过研究底层图结构及其特征，学习者可以了解机器学习技术和数据挖掘工具，从而在多种网络中有所发现。

这门课程涉及的主题包括：表征学习和图神经网络；万维网算法；基于知识图谱的推理；影响力最大化；疾病爆发检测；社交网络分析。

课程目录

01：课程介绍和图机器学习（Introduction; Machine Learning for Graphs）

02：传统图机器学习方法（Traditional Methods for ML on Graphs）

03：链接分析：PageRank（Link Analysis: PageRank）

04：节点嵌入（Node Embeddings）

05：标签传播节点分类（Label Propagation for Node Classification）

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

07：图神经网络：设计空间（Graph Neural Networks 2: Design Space）

08：图神经网络应用（Applications of Graph Neural Networks）

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

10：图神经网络嵌入（Knowledge Graph Embeddings）

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

12：基于GNNs的频繁子图挖掘（Frequent Subgraph Mining with GNNs）

13：网络社区结构（Community Structure in Networks）

14：传统图生成式模型（Traditional Generative Models for Graphs）

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

16：GNNs可扩展（Scaling Up GNNs）

17：动态图学习（ Learning on Dynamic Graphs）

18：计算生物学GNNs（GNNs for Computational Biology）

19：GNNs科学应用（GNNs for Science）

20：GNNs工业应用 (Industrial Applications of GNNs)

视频地址：

https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

课程主讲人 Jure Leskovec 是斯坦福大学计算机科学副教授，也是图表示学习方法 node2vec 和 GraphSAGE 的作者之一。他主要的研究兴趣是社会信息网络的挖掘和建模等，特别是针对大规模数据、网络和媒体数据。据 Google Scholar 显示，Jure Leskovec 发表论文 400 余篇，被引用次数超过 82000 次，h 指数为 114。其论文多次发表在 Nature、NeurIPS、KDD、ICML 等期刊和学术会议上，并两次获得 KDD 时间检验奖。