KDD2021 | 图表示学习系统教程 (附Slides)

来自 | 专知

链接 | mp.weixin.qq.com/s/yOcWMmqddQPyEa2oROCzxQ

编辑 | 机器学习与推荐算法

ACM SIGKDD（国际数据挖掘与知识发现大会，简称 KDD）是世界数据挖掘领域的最高级别的学术会议，由 ACM 的数据挖掘及知识发现专委会（SIGKDD）主办，被中国计算机协会推荐为 A 类会议。自 1995 年以来，KDD 已经连续举办了26届，今年将于2021年8月14日至18日举办，今年的会议主办地在新加坡。

来自密歇根州立等的图学习领域研究人员在KDD2021上将给出关于图表示学习：进展，方法、应用与系统的教程，非常值得关注!

https://drive.google.com/file/d/1i2pvSAATtVLLE-AZiktiB7FIFAT1l4F7/view

图，如社会网络和分子图，是现实世界中无处不在的数据结构。由于它们的普遍存在，从图结构数据中提取有意义的模式以方便下游任务的开展具有重要的研究意义。图表示学习取代了手工设计的特征，它可以学习能够编码关于图的丰富信息的表示。它在节点分类、链路预测、图分类等任务中取得了巨大的成功，近年来受到越来越多的关注。

在本教程中，我们系统地回顾了图表示学习的基础、技术、应用和进展。首先介绍图论和图傅里叶分析的基础。然后介绍了近年来图表示学习的主要成果。具体讨论了六个方面的问题:1)网络嵌入理论与系统;2)图神经网络的基础;3)用于GNN的CogDL工具包;4)可扩展的GNNs,进行6)异构图和异构GNN中的自监督学习。最后，我们将介绍图表示学习的应用，并重点介绍推荐系统。

https://kdd2021graph.github.io/

https://drive.google.com/file/d/1i2pvSAATtVLLE-AZiktiB7FIFAT1l4F7/view

如果访问不了，也可通过我的网盘进行下载：

https://pan.baidu.com/s/1cF48tnhegKvxUO4fo7VkcA, Password: mlrs

目录:

Graph Theory and Graph Fourier Analysis
Basic Graph Neural Networks
CogDL Toolkit for Graph Neural Networks
Scalable Graph Neural Networks
Network Embedding Theories and Systems
Heterogeneous Graph Neural Networks

讲者

参考文献

[1] Aleksandar Bojchevski, Johannes Klicpera, Bryan Perozzi, Amol Kapoor, Martin Blais, Benedek Rózemberczki, Michal Lukasik, and Stephan Günnemann. 2020. Scaling graph neural networks with approximate pagerank. In KDD.

[2] Joan Bruna, Wojciech Zaremba, Arthur Szlam, and Yann LeCun. 2013. Spectral networks and locally connected networks on graphs. arXiv preprint (2013).

[3] Yukuo Cen, Zhenyu Hou, Yan Wang, Qibin Chen, Yizhen Luo, Xingcheng Yao, Aohan Zeng, Shiguang Guo, Peng Zhang, Guohao Dai, Yu Wang, Chang Zhou, Hongxia Yang, and Jie Tang. 2021. CogDL: An Extensive Toolkit for Deep Learning on Graphs. arXiv preprint arXiv:2103.00959 (2021).

KDD2021 | 图表示学习系统教程 (附Slides)

推荐阅读