课程资料(课件/笔记/代码)获取方式
实体版： 公众号 ShowMeAI研究中心 后台回复「 CS224W 」
在线版： 访问 http://blog.showmeai.tech/cs224w/
1.课程简介
CS224W，全称是 CS224W: Machine Learning with Graphs ，核心内容覆盖图数据挖掘、Node embedding、PageRank、标签传播、图神经网络、知识图谱、知识推理、子图挖掘、社区发现、生成模型等主题。
顶级院校斯坦福出品的图机器学习方向专业课程，对于graph方向的数据挖掘和机器学习(神经网络)有全面的知识覆盖和很高的权威度。
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。多次在 Nature、NeurIPS、KDD、ICML 等期刊和学术会议上发表论文。
2.资料下载
ShowMeAI顶级AI课程资料库，覆盖最具知名度的 TOP20+ 门AI课程，由以下五个部分组成，旨在为读者和学习者提供一整套 高品质 中文学习笔记和速查表。
▲
公众号（
ShowMeAI研究中心
）
后台回复「
CS224W
」，获取资料的PDF最新版本。
▲
视频
·中英字幕
▲▼ 在线 课程资料库：http://blog.showmeai.tech/cs224w/
说明：
资料库滚动更新中，逐渐与课程官网同步。如有资料待更新，请您耐心等待、催更我们、或者加入我们吧！
3.课程描述
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）。
本课程着重于分析海量图形所面临的计算、算法和建模挑战。通过研究底层图结构及其特征，向学生介绍机器学习技术、数据挖掘工具。
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。
翻译自官方网站
4.课程大纲
第01讲
Introduction; Machine Learning for Graphs
第02讲
Traditional Methods for ML on Graphs
第03讲
Node Embeddings
第04讲
Link Analysis: PageRank
第05讲
Label Propagation for Node Classification
第06讲
Graph Neural Networks 1: GNN Model
第07讲
Graph Neural Networks 2: Design Space
第08讲
applications of Graph Neural Networks
第09讲
Theory of Graph Neural Networks
第10讲
Knowledge Graph Embeddings
第11讲
Reasoning over Knowledge Graphs
第12讲
Frequent Subgraph Mining with GNNs
第13讲
Community Structure in Networks
第14讲
Traditional Generative Models for Graphs
第15讲
Deep Generative Models for Graphs
第16讲
Advanced Topics on GNNs
第17讲
Scaling Up GNNs
第18讲
Guest Lecture: GNNs for Computational Biology
第19讲
GNNs for Science
注：章节名术语较多，未作中文翻译
5.章节重点
关键词： 图机器学习，Node level，Edge level，Graph level，有向，Directed，无向，undirected，加权邻接矩阵， weighted adjacency matrix
关键词：
Hand-crafted features，centrality，clustering coefficient，graphlets，Distance-based feature，Graphlet kernel，WL kernel
关键词：
Encoder，Decoder，节点相似度度量，Node similarity measure，DeepWalk，Node2Vec ，节点嵌入聚合，Node embedding aggregation，Anonymous Walk Embeddings
关键词：
PageRank，个性化网页排名 Personalized PageRank (PPR)，Node embeddings，随机游走 random walk，矩阵分解，matrix factorization
关键词：
关系分类 Relational classification，迭代分类 Iterative classification，Loopy belief propagation
关键词：
神经网络 Neural Networks，Loss，Optimization，Gradient，SGD，MLP，图卷积网络，Graph Convolutional Network，GraphSAGE
关键词：
图神经网络，GNN，GCN，GraphSAGE，GAT，Skip connections，Feature augmentation，Structure manipulation
关键词：
GNN，GCN，GraphSAGE，GAT，Skip connections，Feature augmentation，Structure manipulation
关键词：
injective multi-set function，neighbor aggregation function，GIN，element-wise sum pooling
关键词：
Relational GCN (RGNN)， RGraphSAGE，Link prediction，Graph completion，TransE，TransR，DistMult，ComplEx
关键词：
answering predictive queries，大型知识图谱，large knowledge graphs，嵌入空间，embedding space，composing learnedoperators
关键词：
Subgraphs，Motifs，neural approaches，Order embeddings，Neural embedding-guided search
关键词：
BigCLAM，ACG，overlappingcommunity structure，log-likelihood
关键词：
Traditional graph generative models，Erdös-Renyi graphs，Small-world graphs，Kronecker graphs
关键词：
Deep graph generative models，sequential generation，hiddenstate，Implicit，Explicit
关键词：
adversarial robustness，semi-supervised node classification，graph-structured data，adversarial attack，GCN
关键词：
Simplified GCN，scalable mini-batch SGD，Simplified GCN，node classification benchmark
关键词：
Graph Embedding，Fraud Detection，PAI，Alibaba Machine Learning Platform，AliGraph
关键词：
GNN design，GNN tasks，GraphGym
6.前置知识
这门课程是独立的。单个Topic容易理解，但课程涉及到了很多Topic，这就导致了课程难度的增加。学生应具备以下背景：
-
具备基本的计算机科学原理知识，足以编写合理的非琐碎计算机程序
-
熟悉基本的概率理论和线性代数
-
熟悉机器学习、算法与图论的基本知识
-
课程前几周的复习课，将概述所需的背景知识
课程资料(课件/笔记/代码)获取方式
实体版： 公众号 ShowMeAI研究中心 后台回复「 CS224W 」
在线版： 访问 http://blog.showmeai.tech/cs224w/
参考链接
[1] http://web.stanford.edu/class/cs224w/
[2] http://blog.showmeai.tech/cs224w
[3] https://www.bilibili.com/video/BV1F44y117iC
推荐学习
(*￣(￣ *) http://blog.showmeai.tech/cs224n/
作者 | ShowMeAI编辑部
参与 | 韩信子、南乔River