图(Graph)是一种重要的数据结构,它由节点V(或称为顶点,即个体),与边E(即个体之间的联系)构成。图数据的典型例子有网页链接关系、社交网络、商品推荐等。由于图的巨大表现能力,在图上的研究,近年来备受瞩目。清华大学的唐杰老师,近日在自己的个人主页上更新了关于图表示学习方面的PPT,阐述了他在图表示学习领域方面的工作进展。

作者简介:

唐杰,清华大学计算机科学与技术系教授。2006年在清华大学计算机科学与技术系获得博士学位。研究兴趣包括人工智能、数据挖掘、社交网络、机器学习和知识图谱,重点是设计挖掘社交和知识网络的新算法。发表学术论文200余篇,拥有专利20项。曾任CIKM ' 16的PC联合主席,WSDM ' 15, KDD ' 18的副主席,ACM TKDD的代理主编,IEEE TKDE、IEEE TBD和ACM TIST的编辑。我是AMiner.org学术社交网络分析与挖掘项目的负责人,该项目已经吸引了来自世界220个国家和地区的1000多万个独立IP访问。

成为VIP会员查看完整内容
0
44

相关内容

中文知识图谱(Chinese Knowledge Graph),最早起源于Google Knowledge Graph。知识图谱本质上是一种语义 网络。其结点代表实体(entity)或者概念(concept),边代表实体/概念之间的各种语义关系。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

** 简介:**

推荐方法构造了预测模型,以估计用户与项目交互的可能性。先前的模型在很大程度上遵循一般的监督学习范式-将每个交互视为一个单独的数据实例,并基于“信息孤岛”进行预测。但是,此类方法忽略了数据实例之间的关系,这可能导致性能欠佳,尤其是对于稀疏场景。此外,建立在单独数据实例上的模型几乎无法显示出推荐背后的原因,从而使过程难以理解。

在本教程中,我们将从图学习的角度重新审视推荐问题。可以将用于推荐的通用数据源组织成图形,例如用户-项目交互(二分图),社交网络,项目知识图(异构图)等。这种基于图的组织将孤立的数据实例连接起来,从而为利用高阶连通性带来了好处,这些高阶连通性对有意义的模式进行了编码,以进行协作过滤,基于内容的过滤,社会影响力建模和知识感知推理。结合图神经网络(GNN)的最新成功,基于图的模型已展现出成为下一代推荐系统技术的潜力。本教程对基于图的学​​习方法进行了回顾,以提出建议,特别关注GNN的最新发展和知识图谱增强的建议。通过在本教程中介绍这个新兴而有前途的领域,我们希望观众可以对空间有深入的了解和准确的见解,激发更多的想法和讨论,并促进技术的发展。

目录:

作者简介:

王翔是新加坡国立大学(NUS)计算机学院的研究员。 他获得了博士学位。 他于2019年获得国大计算机科学博士学位。他的研究兴趣包括推荐系统,信息检索和数据挖掘。 在SIGIR,KDD,WWW和AAAI等顶级会议上,他拥有20多种出版物,包括TOIS和TKDE等期刊。 他曾担任CCIS 2019的本地主席,包括SIGIR,CIKM和MM在内的顶级会议的PC成员以及TKDE和TOIS等著名期刊的定期审稿人。

成为VIP会员查看完整内容
0
51

教程题目: Foundations and Trends for Personalized Recommendation

摘要:

个性化推荐在当前的信息消费环境中起着至关重要的作用。本教程主要包括两个部分:基础和趋势。在第一部分中,我们将介绍个性化推荐系统的基本问题,包括用户意图和需求、挑战性问题和最新技术。在第二部分,我们将重点关注相关领域的新趋势话题,包括(但不限于):用户满意度与评价、可解释推荐、基于知识图谱和推理的推荐、跨域异构推荐、推荐系统中的公平性问题等。最后,将与与会者讨论未来的发展方向。

嘉宾介绍

张敏博士是清华大学计算机科学与技术系的终身副教授,专门从事网络搜索和推荐以及用户建模。她是计算机系智能技术与系统实验室副主任,清华-MSRA媒体与搜索实验室执行主任。她还担任ACM信息系统事务(TOIS)的副编辑,SIGIR 2019教程主席,SIGIR 2018短论文主席,WSDM 2017项目主席等。发表论文100余篇,被引用次3500余次,H指数32分。2016年获北京市科技奖(一等奖),2018年获全国高校计算机科学优秀教师奖等。她还拥有12项专利,并与国内外企业进行了大量的合作。

成为VIP会员查看完整内容
0
43

教程题目:Computational Models for Social and Information Network Analysis

教程简介

在本教程中,系统地介绍了社会信息网络的挖掘和学习,涉及的主题从个人到二元交互到群体集体到信息空间。将从微信的真实例子开始教程,解释在线社交网络如何影响我们的离线物理世界。然后,我们将全面介绍社会网络分析的历史和最新进展,包括用户分析的方法和算法,用户行为建模,社会关系和群体建模,影响和信息扩散的结构。并且介绍如何应用计算模型——图形模型、深度学习和嵌入技术——来挖掘和学习网络结构。本教程的独特之处在于,它的目标是向读者提供以下内容:社会网络分析中的社会与图论基础、将社交网络研究转化为在线和移动应用的经验,包括腾讯微信和游戏、阿里巴巴、XueTangX、AMiner和微软学术。最后,本教程中介绍的所有工作都保证使用开放代码,我们还将借此机会发布最大的开放学术图,其中包含2亿个节点和30亿个链接,用于社会网络分析。

大纲:

1.社会历史和信息网络分析

  • 社会历史和信息网络分析
  • 网络跨学科研究
  • 计算社会科学的出现
  • 社会公益的CSS

2.网络中的社会影响

  • 局部社会影响
  • 从众心理的影响
  • 三位一体和结构影响
  • 社会影响位置
  • 深度学习对社会的影响
  • 问答

3.网络表示学习

  • 图神经网络
  • 网络嵌入审查
  • 网络嵌入理论
  • 网络嵌入作为矩阵分解
  • 高速网络嵌入
  • 问答

4.结论与问答(5分钟)

  • 总结
  • 用于社会和网络信息分析的开放数据
  • 问答

组织者:

唐杰,清华大学计算机科学与技术学院教授,康奈尔大学、香港科技大学、南安普顿大学访问学者。他的兴趣包括社会网络分析、数据挖掘和机器学习。他发表了200多篇期刊/会议论文,拥有20项专利,被引用次数超过1万次。他是CIKM'16、WSDM'15、ASONAM'15、SocInfo'12的PC联合主席,是2018年KDD的副主席,ACM TKDD的代理主编,IEEE TKDE/TBD和ACM TKDD/TIST的副主编。他领导的学术社交网络分析和挖掘项目AMiner.org已经吸引了来自世界220个国家/地区的800多万个独立IP访问。曾获国家自然科学基金杰出青年学者奖、英国皇家学会-牛顿先进奖学金、牛顿先进奖学金、ACM SIGKDD服务奖。

成为VIP会员查看完整内容
0
6

报告主题:Learning and Reasoning on Graph for Recommendation

报告摘要:推荐方法构造了预测模型,以估计用户与项目交互的可能性。先前的模型在很大程度上遵循一般的监督学习范例-将每个交互视为一个单独的数据实例,并基于“信息孤岛”进行预测。但是,此类方法忽略了数据实例之间的关系,这可能导致性能欠佳,尤其是对于稀疏场景。此外,建立在单独数据实例上的模型几乎不能显示出推荐背后的原因,从而使推荐过程难以理解。

在本教程中,我们将从图学习的角度重新审视推荐问题。可以将推荐的通用数据源组织成图形,例如用户-项目交互(二分图),社交网络,项目知识图(异构图)等。这种基于图的组织将孤立的数据实例连接起来,从而为利用高阶连通性带来了好处,这些高阶连通性对有意义的模式进行了编码,以进行协作过滤,基于内容的过滤,社会影响力建模和知识感知推理。结合图神经网络(GNN)的最新成功,基于图的模型已展现出成为下一代推荐系统技术的潜力。本教程提供了有关基于图的学​​习方法推荐的综述,特别着重于GNN的最新发展和知识图增强的推荐。通过在本教程中介绍这个新兴而有前途的领域,我们希望观众可以对空间有深入的了解和准确的见解,激发更多的想法和讨论,并促进技术的发展。

邀请嘉宾: 王翔,新加坡国立大学(NUS)计算机学院的研究员。 他获得了博士学位。 他于2019年获得国大计算机科学博士学位。他的研究兴趣包括推荐系统,信息检索和数据挖掘。 在SIGIR,KDD,WWW和AAAI等顶级会议上,他拥有20多种出版物,包括TOIS和TKDE等期刊。 他曾担任CCIS 2019的本地主席,包括SIGIR,CIKM和MM在内的顶级会议的PC成员以及TKDE和TOIS等著名期刊的定期审稿人。

何向南,中国科技大学(USTC)教授。他获得了博士学位。 2016年获得新加坡国立大学(NUS)计算机科学博士学位。他的研究兴趣涵盖信息检索,数据挖掘和应用机器学习。他在60多个顶级会议上发表了60多种出版物,这些会议包括SIGIR,WWW,KDD和MM,以及包括TKDE,TOIS和TNNLS在内的期刊。他在推荐器系统方面的工作在WWW 2018和SIGIR 2016上获得了最佳论文奖荣誉奖。此外,他还担任过CCIS 2019的PC主席,MM 2019和CIKM 2019的区域主席,并且是多个顶级会议的PC成员,包括SIGIR,WWW,KDD等,以及TKDE,TOIS,TMM等期刊的定期审阅者。他具有丰富的教学经验,包括在WWW 2018和SIGIR 2018中提供了“针对搜索和推荐匹配的深度学习”教程, SIGIR 2018中的教程“电子商务中的信息发现”,以及ICMR 2018中的教程“多媒体内容推荐技术”。

Tat-Seng Chua,是新加坡国立大学计算机学院的KITHCT讲座教授。他拥有博士学位。来自英国利兹大学。 1998年至2000年,他担任该学院的代理和创始院长。蔡博士的主要研究兴趣是多媒体信息检索和社交媒体分析。特别是,他的研究重点在于从网络和多个社交网络中提取和检索文本和富媒体(QA)。他是NExT的联合主任,NExT是NUS与清华大学之间的联合中心,致力于开发实时社交媒体搜索技术。蔡博士因其对多媒体计算,通信和应用的杰出技术贡献而荣获2015年ACM SIGMM大奖。他是ACM国际多媒体检索会议(ICMR)和多媒体建模(MMM)会议系列指导委员会主席。蔡博士还是ACM Multimedia 2005,ACM CIVR 2005,ACM SIGIR 2008和ACM Web Science 2015的联合主席。他在四家国际期刊的编辑委员会任职。蔡博士是新加坡两家技术初创公司的联合创始人。

成为VIP会员查看完整内容
CIKM2019-graph-for-recommendation.pdf
0
41

报告主题:图神经网络 (GNN) 算法及其应用

报告摘要:图神经网络将深度学习方法延伸到非欧几里得的图数据上,大大提高了图数据应用的精度。在这个报告中,我将简单回顾一下图卷积网络(GCN)并探讨如何提高GCN在图数据上的表示学习能力。我们的研究发现几个巧妙、简单的方法可以有效的提高GCN的表示能力,该方法可以等价表示为图注意力网络(GAT)。该方法的有效性在包括阿里巴巴等多个超大规模数据集上得到验证。

邀请嘉宾:唐杰,清华大学计算机系教授、系副主任,获杰青。研究兴趣包括:数据挖掘、社交网络和知识图谱。发表论文200余篇,引用10000余次(个人h-指数57)。主持研发了研究者社会网络挖掘系统AMiner,吸引了220个国家/地区1000多万独立IP访问。曾担任国际期刊ACM TKDD的执行主编和国际会议CIKM’16、WSDM’15的PC Chair、KDD’18大会副主席。作为第1完成人获北京市科技进步一等奖、中国人工智能学会科技进步一等奖、KDD杰出贡献奖。

成为VIP会员查看完整内容
2019-GNN-a-review-唐杰.pdf
0
51
Top