2021 年第一个月刚刚过半,有些学校的新学期就已经开始了。
图是一种强大的数据结构,可以用于建模许多真实世界的场景,图能够对样本之间的关系信息进行建模。但是真实图的数据量庞大,动辄上亿节点、而且内部拓扑结构复杂,很难将传统的图分析方法如最短路径、DFS、BFS、PageRank 等算法应用到这些任务上。因此有研究者提出将机器学习方法和图数据结合起来,即图机器学习,这逐渐成为近年来机器学习中的一股热潮,特别是图神经网络(GNN)。此前,斯坦福大学计算机学院副教授 Jure Leskovec 等人开了一门课程——CS224W,主题是图机器学习。最近,CS224W 2021 冬季课程开课了。
课程主页:http://web.stanford.edu/class/cs224w/这门课程主要聚焦分析大量图时所面对的计算、算法和建模挑战。通过研究底层图结构及其特征,学习者可以了解机器学习技术和数据挖掘工具,从而在多种网络中有所发现。这门课程涉及的主题包括:表征学习和图神经网络;万维网算法;基于知识图谱的推理;影响力最大化;疾病爆发检测;社交网络分析。基础计算机科学原理知识,能够写出不错的计算机程序;此外,课程网站还会定期放出讲义和阅读任务,下列书籍可作为阅读书目:Graph Representation Learning 作者:William L. Hamilton;
Networks, Crowds, and Markets: Reasoning About a Highly Connected World 作者:David Easley、Jon Kleinberg
Network Science 作者:Albert-László Barabási
2021 CS224W 冬季课程于 1 月 12 日正式开课,3 月 21 日结课。课程 PPT 将于每节课之前提供。1 月份的课程包括图机器学习简介、图机器学习传统方法、节点嵌入、链接分析:PageRank、面向节点分类的标签传播算法和 GNN 模型的基本内容。2 月份的课程将讲授图神经网络的设计空间、应用与理论,知识图谱嵌入,基于知识图谱的推理,借助 GNN 进行频繁子图挖掘,网络中的社区结构,传统图生成模型。3 月份课程的内容主要包括图深度生成模型、GNN 的扩展、动态图上的学习、用于计算生物学的 GNN、科学领域的 GNN,以及 GNN 的行业应用。课程主讲人 Jure Leskovec 是斯坦福大学计算机科学副教授,也是图表示学习方法 node2vec 和 GraphSAGE 的作者之一。他主要的研究兴趣是社会信息网络的挖掘和建模等,特别是针对大规模数据、网络和媒体数据。据 Google Scholar 显示,Jure Leskovec 发表论文 400 余篇,被引用次数超过 77000 次,h 指数为 111。其论文多次发表在 Nature、NeurIPS、KDD、ICML 等期刊和学术会议上,并两次获得 KDD 时间检验奖。个人主页:https://cs.stanford.edu/people/jure/