KDD2018 网络表示学习最新教程:DeepWalk作者Perozzi等人带你探索最前沿

2018 年 8 月 21 日 专知

【导读】近日,数据挖掘领域最具影响力的学术会议之一的ACM SIGKDD (知识发现与数据挖掘会议)已于 8 月 19 日在英国伦敦召开。在这次会议上,来自伊利诺伊大学芝加哥分校(UIC)的Ivan Brugere老师、Google的Bryan Perozzi老师、清华大学的崔鹏、朱文武老师、西蒙弗雷泽大学的PEI JIAN老师以及伊利诺伊大学芝加哥分校的Tanya Berger-Wolf老师分享了《建模网络中的数据+网络嵌入:问题,方法和前沿》这一Tutorial。


作者:Ivan Brugere、Bryan Perozzi、Peng Cui、Wenwu Zhu、Jian Pei、Tanya Berger-Wolf

编译:专知


这次介绍KDD2018中《Modeling Data With Networks + Network Embedding: Problems, Methodologies and Frontiers 》所配的4部分的PPT,这套PPT由浅入深地介绍了当前比较火热的网络节点表示以及图卷积学习最新相关研究。分别从数据中推断图(graph)、无监督图表示学习,半监督图表示学习和全图表示学习这几个部分详细介绍了图网络的前沿技术。


很多人其实不清楚Graph Embedding 和 Network Embedding的区别和联系,为什么Graph Embedding不能实现Network Embedding的目标,在这个Tutorial中,老师们给出了他们的建议,值得大家仔细学习和收藏!


KDD各个前沿Tutorial详情可以查看:

【KDD2018来袭】31大人工智能前沿Tutorial,百家争鸣,百花齐放


介绍


来自数据中的网络(Networks From Data)


网络代表了社会,生物或信息系统的进程。研究人员定期收集数据并使用网络表示这些数据。在收集和将这些底层数据转换为网络表示形式时,有许多隐式和显式的选择。

 

表示的选择会影响下游分析:链接和标签预测,假设检验等。此外,研究人员往往不控制底层数据或其集合,而是想在给定的网络上学习问题的最佳表示本教程探讨了将数据转换为网络表示和从网络中提取潜在表示所面临的挑战。我们比较了直接从数据中直接得到的全局模型,推断的网络模型和推断的潜在空间模型这几个优势。

 

网络嵌入(网络节点表示,Network Embedding)


如今,越来越大,越来越复杂的网络被用于越来越多的应用中。众所周知,网络数据复杂且具有挑战性。为了有效地处理图形数据,第一个关键挑战是网络数据表示,即如何正确地表示网络,以便在时间和空间上高效地执行模式发现、分析和预测等高级分析任务。

 

在本教程中,我们将回顾有关网络嵌入的最新方法和成果。更具体地说,将会讨论一系列网络嵌入的基本问题,包括为什么我们需要重新审视网络表示,什么是网络嵌入的基本问题,如何学习网络嵌入,以及网络嵌入的最新进展和趋势。


这是研究网络图表示学习的Motivation.



请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知),

  • 后台回复“KDD2018NE” 就可以获取最新PPT 下载链接~ 


参考链接:

https://ivanbrugere.github.io/kdd2018/ 


附部分PPT:



由于PPT内容比较多,没有附全,所有PPT查看:


请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知),

  • 后台回复“KDD2018NE” 就可以获取最新PPT 下载链接~ 


参考链接

https://ivanbrugere.github.io/kdd2018/


-END-

专 · 知


人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群,获取专业知识教程视频资料和与专家交流咨询!



请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!


请加专知小助手微信(扫一扫如下二维码添加),加入专知主题群(请备注主题类型:AI、NLP、CV、 KG等)交流~

 AI 项目技术 & 商务合作:bd@zhuanzhi.ai, 或扫描上面二维码联系!

请关注专知公众号,获取人工智能的专业知识!

点击“阅读原文”,使用专知

登录查看更多
21

相关内容

网络嵌入旨在学习网络中节点的低维度潜在表示,所学习到的特征表示可以用作基于图的各种任务的特征,例如分类,聚类,链路预测和可视化。
人机对抗智能技术
专知会员服务
183+阅读 · 2020年5月3日
【图神经网络(GNN)结构化数据分析】
专知会员服务
112+阅读 · 2020年3月22日
WSDM 2020教程《深度贝叶斯数据挖掘》,附257页PPT下载
专知会员服务
153+阅读 · 2020年2月7日
近期必读的5篇 WSDM 2020【图神经网络(GNN)】相关论文
专知会员服务
56+阅读 · 2020年1月10日
网络表示学习介绍
人工智能前沿讲习班
17+阅读 · 2018年11月26日
网络表示学习综述:一文理解Network Embedding
PaperWeekly
33+阅读 · 2018年8月14日
【WWW2018】网络表示学习Tutorial(附下载)
专知
11+阅读 · 2018年4月25日
Arxiv
33+阅读 · 2020年1月2日
Heterogeneous Deep Graph Infomax
Arxiv
11+阅读 · 2019年11月19日
Tutorial on NLP-Inspired Network Embedding
Arxiv
7+阅读 · 2019年10月16日
Arxiv
5+阅读 · 2019年9月25日
A Comprehensive Survey on Graph Neural Networks
Arxiv
21+阅读 · 2019年1月3日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Arxiv
11+阅读 · 2018年1月28日
VIP会员
相关论文
Arxiv
33+阅读 · 2020年1月2日
Heterogeneous Deep Graph Infomax
Arxiv
11+阅读 · 2019年11月19日
Tutorial on NLP-Inspired Network Embedding
Arxiv
7+阅读 · 2019年10月16日
Arxiv
5+阅读 · 2019年9月25日
A Comprehensive Survey on Graph Neural Networks
Arxiv
21+阅读 · 2019年1月3日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Arxiv
11+阅读 · 2018年1月28日
Top
微信扫码咨询专知VIP会员