斯坦福Jure Leskovec图表示学习：无监督和有监督方法（附PPT下载）

【导读】现实生活中的很多关系都是通过图的形式来表达的，针对图结构数据的分析的一个关键问题就是如何合理的表示图结构的低维特征表示，也即是图表示学习。斯坦福大学的Jure Leskovec是图表示学习方法node2vec和GraphSAGE作者之一，在这次演讲中他分别以这两种方法为例，详细讲解无监督和监督方法的图表示学习。

▌相关论文和代码

• 论文

• node2vec: Scalable Feature Learning for Networks. A. Grover, J. Leskovec. KDD 2016.
• Predicting multicellular function through multi-layer tissue networks. M. Zitnik, J. Leskovec. Bioinformatics, 2017.
• Inductive Representation Learning on Large Graphs. W. Hamilton, R. Ying, J. Leskovec. NIPS 2017
• Representation Learning on Graphs: Methods and Applications. W. Hamilton, R. Ying, J. Leskovec. IEEE Data Engineering Bulletin, 2017.

• 代码

• 无监督方法
  • http://snap.stanford.edu/node2vec
• 有监督方法：
  • http://snap.stanford.edu/graphsage

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“GRL” 就可以获取最新PPT 下载链接~

参考链接：

https://cs.stanford.edu/people/jure/index.html

▌PPT

这是报告的PPT内容：