【CIKM2019教程】深度异构信息网络分析的最新发展(北邮石川教授),附157页PPT下载

11 月 8 日 专知

【导读】现实中的很多场景包含异构的信息,而大多数当代研究将它们建模为同构网络,并没有区分异构信息。近期,越来越多的研究者开始用异构信息网络(HIN)建模信息来解决数据异构性。本文介绍北邮石川教授在CIKM2019中关于深度异构信息网络分析的教程。


大多数实际系统由大量相互作用的、多种类型的组件组成,而大多数当代研究将它们建模为同构网络,并没有区分网络中不同类型的对象和连接。近期,越来越多的研究者开始将这些相互联系、多种类型的数据视为异构信息网络(HIN),并借助网络中对象和连接结构类型的丰富语义,开发结构化分析方法。此外,近年来在深度学习和网络嵌入方面的进展给异构信息网络挖掘带来了新的机遇和挑战,异构信息网络嵌入,甚至异构图神经网络也成为热点。


北京邮电大学的石川教授在CIKM 2019教程中介绍了近期深度异构信息网络分析的发展,尤其介绍了新兴起的异构网络嵌入方法。教程包含了下面几个方面(分5个PPT):

  • 该领域的基础概念

  • 基于meta-path的数据挖掘

  • 异构信息网络嵌入

  • 应用

  • 未来工作

该教程会帮助研究者和从业者来分享能够集成多种类型和来源信息用于识别和分析网络关系的新技术。


完整PPT下载
请关注专知公众号(点击上方蓝色专知关注
  • 后台回复“CIKM19HIN” 就可以获取5份完整教程PPT的下载链接~ 


教程部分截图如下所示:


参考链接:

  • http://shichuan.org/CIKM19_Tutorial.html


-END-
专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取更多AI知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询
请加专知小助手微信(扫一扫如下二维码添加),获取专知VIP会员码,加入专知人工智能主题群,咨询技术商务合作~
点击“阅读原文”,了解注册成为专知VIP会员
登录查看更多
2+

相关内容

大多数实际系统由大量相互作用的、多类型的组件组成,而大多数当代研究将它们建模为同构的信息网络,没有区分网络中不同类型的对象和链接。近年来,越来越多的研究者开始将这些相互联系、多类型的数据视为异构信息网络(HIN),并利用网络中对象和链接结构类型的丰富语义,开发结构化分析方法。此外,近年来在深度学习和网络嵌入方面的进展给HIN挖掘带来了新的机遇和挑战,异构网络嵌入,甚至异构图神经网络也成为热点。在本教程中,我们将介绍异构信息网络分析的最新发展,特别是新出现的异构网络嵌入。

教程资料

  • 第一部分:介绍
  • 第二部分:基于元路径的数据挖掘
  • 第三部分:异构信息网路嵌入
  • 第四部分:应用
  • 第五部分:结论与未来工作

参考资料列表

    1. Yizhou Sun, Jiawei Han, Xifeng Yan, Philip S. Yu, Tianyi Wu. PathSim: Meta Path-Based Top-k Similarity Search in Heterogeneous Information Networks. VLDB Endowment, vol.4 pp. 992-1003, 2011
    1. Yizhou Sun, Yintao Yu, Jiawei Han. Ranking-Based Clustering of Heterogeneous Information Networks with Star Network Schema. KDD 2009: 797-806.
    1. Huang Z, Zheng Y, Cheng R, et al. Meta structure: Computing relevance in large heterogeneous information networks. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016: 1595-1604.
    1. YuXiao Dong, Nitesh V. Chawla, Ananthram Swami. Metapath2vec: Scalable Representation Learning for Heterogeneous Networks. KDD 2017.
    1. Jiezhong Qiu, Yuxiao Dong, Hao Ma, Jian Li, Kuansan Wang, Jie Tang. Network Embedding as Matrix Factorization: Unifying DeepWalk, LINE, PTE, and node2vec. WSDM 2018.
    1. Tao-yang Fu, Wang-Chien Lee, Zhen Lei. HIN2vec: Explore Meta-paths in Heterogeneous Information Networks for Representation Learning. CIKM 2017.
    1. Binbin Hu, Chuan Shi, Xin Zhao, Philip S. Yu. Leveraging Meta-path based Context for Top-N Recommendation with A Neural Co-Attention Model. KDD 2018
    1. Chuan Shi, Xiangnan Kong, Yitong Li, Philip S. Yu, Bin Wu. HeteSim: A General Framework for Relevance Measure in Heterogeneous Networks, IEEE Transactions on Knowledge and Data Engineering, 2014.
    1. Chuan Shi, Philip S. Yu. Heterogeneous Information Network Analysis and Applications. Springer. ISBN 978-3-319-56211-7. 2017.
    1. Chuan Shi, Yitong Li, Jiawei Zhang, Yizhou Sun, Philip S. Yu. A survey on Heterogeneous Information Network Analysis. IEEE Transactions on Knowledge and Data Engineering, 29(1), 17-37, 2017.
    1. Shaohua Fan, Junxiong Zhu, Xiaotian Han, Chuan Shi, Linmei Hu, Biyu Ma, Yongliang Li Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation. KDD2019
    1. Binbin Hu, Yuan Fang, Chuan Shi. Adversarial Learning on Heterogeneous Information Networks. KDD 2019
    1. Chuan Shi, Binbin Hu, Wayne Xin Zhao, Philip S. Yu. Heterogeneous Information Network Embedding for Recommendation. IEEE Transactions on Knowledge and Data Engineering, 2018.
    1. Xiao Wang, Houye Ji, Chuan Shi, et al. Heterogeneous Graph Attention Network. WWW 2019.
    1. Binbin Hu, Zhiqiang Zhang, Chuan Shi, Jun Zhou, Xiaolong Li, Yuan Qi. Cash-out User Detection based on Attributed Heterogeneous Information Network with a Hierarchical Attention Mechanism. AAAI 2019.
    1. Yuanfu Lu, Chuan Shi, Linmei Hu, Zhiyuan Liu. Relation Structure-Aware Heterogeneous Information Network Embedding. AAAI 2019.
2+
0+

知识图谱是人工智能的前沿科技之一,近两年非常火热。无论你是做计算机的哪个方向,相信在日常的学习和生活中,都能耳濡目染。为了更系统的了解知识图谱,小编找到了浙江大学计算机学院的陈华钧教授开设的《知识图谱导论》课程的ppt,希望能帮助到各位对知识图谱感兴趣的同学。

课程目录

➤ Lecture 1 : 知识图谱概览
➤ Lecture 2:知识图谱的表⽰与建模
➤ Lecture 3:知识图谱的存储与关联查询
➤ Lecture 4:知识图谱构建与关系抽取
➤ Lecture 5:知识图谱表⽰学习与关联推理
➤ Lecture 6:语义搜索与知识图谱问答

PPT下载链接:
https://pan.baidu.com/s/1TOb-Ll0ipUrf-RanuvT6SQ
密码: 0nit

14+
0+

近年来,零样本学习(ZSL,zero-shot learning)已经在大量的任务中受到了广泛的关注。大多数机器学习方法,均侧重于那些训练集中广泛存在的样本进行分类。但现实场景中,许多的任务需要对从未见过的样本进行分类。零样本学习是一种非常强大的学习范式,本篇综述,首先,概述了零样本学习,根据学习过程中使用到的数据模型,我们将其划分为三种学习类型;第二,描述了零样本学习过程中所采用的不同语义空间;第三,对现有零样本学习方法进行了分类,并在每个类别下介绍了具有代表性的方法;第四,讨论了零样本学习的不同应用方向;最后,我们介绍了零样本学习的未来研究方向。

A Survey of Zero-Shot Learning.pdf
21+
0+

多目标跟踪(MOT)的问题在于在一个序列中跟踪不同目标的轨迹,通常是视频。近年来,随着深度学习的兴起,为这一问题提供解决方案的算法受益于深度模型的表示能力。本文对利用深度学习模型解决单摄像机视频MOT任务的作品进行了全面的综述。提出了MOT算法的四个主要步骤,并对深度学习在每个阶段的应用进行了深入的回顾。本文还对三种MOTChallenge数据集上的现有工作进行了完整的实验比较,确定了一些最优的方法之间的相似性,并提出了一些可能的未来研究方向。

13+
0+
Top