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。

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。

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。

课程主页：http://web.stanford.edu/class/cs224w/

内容中包含的图片若涉及版权问题，请及时与我们联系删除