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-

文章分享自微信公众号:
专知

本文参与 腾讯云自媒体分享计划 ,欢迎热爱写作的你一起参与!

作者:专知内容组
原始发表时间:2018-04-25
如有侵权,请联系 cloudcommunity@tencent.com 删除。
登录 后参与评论
0 条评论

相关文章

  • 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
  • 【NIPS2017最新Tutorial】几何深度学习(Geometric Deep Learning )讲解(附slide下载)

    【导读】美国时间 12 月 4 日,第 31 届神经信息处理系统大会(Neural Information Processing Systems,NIPS)在美...

    WZEARW
  • 清华大学刘知远:知识表示学习及其应用(附视频、PPT下载)

    本讲座选自清华大学计算机系副教授刘知远于2018年4月27日在第二届“大数据在清华”高峰论坛上所做的题为《知识表示学习及其应用》的演讲。

    数据派THU
  • 深度学习笔记之《解析卷积神经网络》附下载地址

    实际上深度学习,只是机器学习的一个子领域,同样地,机器学习也是人工智能的一个子领域。但是随着深度学习的发展,尤其是在AlphaGo那场世纪大战之后,深度学习渐渐...

    Datawhale
  • 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J...

    WZEARW
  • 深度学习框架落地 | 量化网络的重要性(附源码地址下载)

    在实验阶段对于模型结构可以选择大模型,因为该阶段主要是为了验证方法的有效性。在验证完了之后,开始着手部署到移动端,这时候就要精简模型的结构了,一般是对训好的大模...

    计算机视觉研究院
  • 【论文读书笔记】重新考虑用简单神经网络进行知识表示学习(附代码)

    【导读】随着知识图谱越来越火,知识图谱的表示渐渐成为研究重点,目前已经有 TransE,TranH,ComplEX 等一系列的方法,这些方法在标准数据集中都取得...

    WZEARW
  • ICML2016最佳论文《深度强化学习的竞争网络架构》(附下载)

    【新智元导读】ICML2016最佳论文今天出炉,三篇最佳论文中,谷歌DeepMind占了两篇。新智元特邀Facebook资深研究员田渊栋对其中的《深度强化学习的...

    新智元
  • DeepMind成员、谷歌资深员工:神经网络序列学习突破及发展(附报告下载)

    【新智元导读】谷歌CEO在给投资人的信中写道谷歌搜索将更具有情景意识,其关键技术自然是深度学习。本文中,谷歌资深员工、DeepMind 成员 Oriol Vin...

    新智元
  • 【干货】最新深度学习课程,多伦多大学“神经网络与机器学习导论(2018年Spring)(附课件下载)

    【导读】多伦多大学计算机系助理教授Roger Grosse 开设的《神经网络与机器学习导论》课程涵盖了从机器学习基础知识到深度学习、强化学习等高阶内容,是AI从...

    WZEARW
  • 【深度学习RNN/LSTM中文讲义】循环神经网络详解,复旦邱锡鹏老师《神经网络与深度学习》报告分享03(附pdf下载)

    【导读】复旦大学副教授、博士生导师、开源自然语言处理工具FudanNLP的主要开发者邱锡鹏(http://nlp.fudan.edu.cn/xpqiu/)老师撰...

    WZEARW
  • 【深度学习中文讲义完整版】复旦邱锡鹏老师《神经网络与深度学习》教程分享(附pdf下载)

    【导读】复旦大学副教授、博士生导师、开源自然语言处理工具FudanNLP的主要开发者邱锡鹏(http://nlp.fudan.edu.cn/xpqiu/)老师撰...

    WZEARW
  • 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
  • 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

扫码关注腾讯云开发者

领取腾讯云代金券