专栏首页专知【WWW2018】网络表示学习Tutorial(附下载)

【WWW2018】网络表示学习Tutorial(附下载)

2018 年 4 月 23 日至 27 日,第 27 届国际万维网会议(26th International World Wide Web Conference) 在法国里昂举行。斯坦福大学SNAP组在WWW2018 上举办Tutorial介绍了网络表示学习的最近进展。专知小组整理分享给大家。

WWW2018会议日常可以参见专知以前报道:

国际万维网会议WWW 2018论文列表以及会议日程,一睹为快

Tutorial



随着社交媒体的飞速发展,大规模社交网络用户的形成使得传统的网络表示方法遇到了瓶颈,由于随着深度学习技术的蓬勃发展以及受自然语言处理领域词嵌入技术的启发,自动学习网络中节点的向量表示成为近年来的研究热点。斯坦福大学SNAP组在WWW2018 上举办Tutorial介绍了网络表示学习的最近进展。

简介



网络科学研究人员传统上依赖于用户自定义的启发式算法从复杂网络中提取特征(例如,度统计degree statistics或核函数)。然而,近年来,使用基于深度学习或者其它非线性降维的技术来自动学习网络节点的低维向量表示的方法层出不穷。这些网络表示学习( NRL )摒弃了费时费力的特征工程,并且在许多基于网络的任务中取得了最好的结果,例如节点分类、节点聚类和链路预测。

在本教程中,我们将介绍NRL在过去十年中的主要进步,重点是过去两年中取得的新技术。我们将讨论基于矩阵分解的经典方法、基于随机游走的算法(例如,DeepWalk和node2vec ),以及图形神经网络(eg., GCN)的最新进展。我们将介绍单个节点的表示学习方法以及整个(子)图的表示方法。

本次Tutorial于2018年4月24日在法国里昂举办的WWW 2018上举行。

Tutorial相关材料及目录



1. 第一部分:简介

  • 什么是网络表示学习? 为什么网络表示学习如此重要?

2. 第二部分:Node embeddings节点表示

  • 在复杂网络中学习节点的低维表示(e.g., DeepWalk and node2vec)

3. 第三部分:Graph neural networks 图形神经网络

  • 将深度学习应用在非结构化的network/graph上的最近技术(e.g., 图卷积网络(GCN), GraphSAGE)

4. 第四部分:应用

  • 网络表示学习在推荐系统和计算生物学上的应用

主讲人简介



所有组织者都来自于斯坦福大学Jure Leskovec领导的SNAP组。斯坦福网络分析平台(SNAP)是一个通用网络分析和图表挖掘库。具有超过50个大型网络数据集,包括社交网络,网络图表,道路网络,Internet网络,引文网络,协作网络和通信网络等等。

1. William L. Hamilton: 斯坦福大学计算机科学博士。他的研究重点是NRL以及大规模计算社会科学应用。他是SAP Stanford研究生奖学金的获得者,Alexander Graham Bell 研究生奖学金,他的工作已经被《纽约时报》、《连线》和BBC等媒体报道。node2vec 和GraphSAGE主要作者。

2. Rex Ying:斯坦福大学计算机科学博士。他的研究重点是应用在网络数据上的深度学习算法,并将这些方法应用于推荐系统、知识图推理、社交网络和生物学等领域。他也是GraphSAGE框架共同作者。

3. Jure Leskovec:斯坦福大学计算机科学副教授。他的研究重点是分析和建模大型现实世界的社会信息网络。2008年,他在卡内基梅隆大学获得机器学习博士学位,并在康奈尔大学学习了一年。他的作品获得了五项最佳论文奖,赢得了ACM KDD杯,并在传感器网络竞赛中脱颖而出。

4. Rok Sosic: 斯坦福大学高级研究员,致力于大规模网络分析的SNAP工具的开发与推广。他发表了50多篇论文,包括Supercomputing'95的最佳论文和高性能分布式计算领域的10篇顶级论文。他在犹他大学计算机科学博士学位,并于2012年加入斯坦福大学。

参考链接:

http://snap.stanford.edu/proj/embeddings-www/

https://www2018.thewebconf.org/program/

PPT详细内容



附上第一部分和第二部分PPT内容

-END-

本文分享自微信公众号 - 专知(Quan_Zhuanzhi),作者:专知内容组

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-04-25

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 115页Slides带你领略深度生成模型全貌(附PPT)

    本文为大家带来了斯坦福大学PH.D Aditya Grover同学的深度生成模型tutorial。

    数据派THU
  • 真·干货!这套深度学习教程整理走红,从理论到实践的带你系统学习 | 资源

    如果你想要的是一份从理论到实践的深度学习教程清单,如果你想系统了解各类框架、基础网络与各种使用场景,如果你缺一套即用即查的手边书——

    量子位
  • AAAI2019《图表示学习》Tutorial, 180 页 PPT 带你从入门到精通(下载)

    图表示学习,是 2018 年火爆全球的一个深度学习方向,从以 Line, meta-path 等为首的节点表示学习,到以 GCN,GraphSAGE,为首的图卷...

    新智元
  • 【干货】深度学习中的数学理解— 教你深度学习背后的故事

    【导读】如今,深度学习在各项任务中所向披靡,比如图像识别,语音处理和自然语言处理。但是,深度学习的理论探讨却比应用滞后好几个数量级,一方面是做应用马上能见效,然...

    WZEARW
  • 网络表示学习介绍

    网络数据可以自然表达物体与物体之间的联系,生活中充满了网络数据,例如社交网络、计算机网络、物流网络、学术网络等等。在有关网络的研究中,如何表示网络信息是一个重要...

    马上科普尚尚
  • 网络表示学习概述

    随着社交媒体的飞速发展,在线社交网络成为了人们赖以生存的第二世界。大规模社交网络用户的形成使得传统的网络表示方法遇到了瓶颈,由于随着深度学习技术的蓬勃发展以及受...

    张小磊
  • Github标星5.4k+:常见NLP模型的代码实现(基于TensorFlow和PyTorch)

    推荐github上的一个NLP代码教程:nlp-tutorial,教程中包含常见的NLP模型代码实现(基于TensorFlow和Pytorch),而且教程中的大...

    黄博的机器学习圈子
  • 数据挖掘的前沿论文,看我们推荐的这7篇

    近年来,电商平台飞速发展,搭配问题是电商系统中的一个非常重要的任务,它涉及对商品的深入理解整合。阿里京东等公司,都设计了专门独立的搭配平台,比如时尚大脑,滴搭系...

    马上科普尚尚
  • 网络节点表示学习论文笔记01—AAAI2018超网络节点表示学习

    【导读】近日,针对在真实世界网络数据中存在的超边的问题,也就是说节点关系经常超出成对关系的范围,来自清华大学与康奈尔大学的研究者发表论文提出了“深度超网络嵌入”...

    WZEARW

扫码关注云+社区

领取腾讯云代金券