【导读】近日，数据挖掘领域最具影响力的学术会议之一的ACM SIGKDD （知识发现与数据挖掘会议）已于 8 月 19 日在英国伦敦召开。在这次会议上，来自伊利诺伊大学芝加哥分校（UIC）的Ivan Brugere老师、Google的Bryan Perozzi老师、清华大学的崔鹏、朱文武老师、西蒙弗雷泽大学的PEI JIAN老师以及伊利诺伊大学芝加哥分校的Tanya Berger-Wolf老师分享了《建模网络中的数据+网络嵌入:问题,方法和前沿》这一Tutorial。
作者：Ivan Brugere、Bryan Perozzi、Peng Cui、Wenwu Zhu、Jian Pei、Tanya Berger-Wolf
编译：专知
这次介绍KDD2018中《Modeling Data With Networks + Network Embedding: Problems, Methodologies and Frontiers 》所配的4部分的PPT，这套PPT由浅入深地介绍了当前比较火热的网络节点表示以及图卷积学习最新相关研究。分别从数据中推断图（graph）、无监督图表示学习，半监督图表示学习和全图表示学习这几个部分详细介绍了图网络的前沿技术。
很多人其实不清楚Graph Embedding 和 Network Embedding的区别和联系，为什么Graph Embedding不能实现Network Embedding的目标，在这个Tutorial中，老师们给出了他们的建议，值得大家仔细学习和收藏！
介绍
来自数据中的网络（Networks From Data）
网络代表了社会，生物或信息系统的进程。研究人员定期收集数据并使用网络表示这些数据。在收集和将这些底层数据转换为网络表示形式时，有许多隐式和显式的选择。
表示的选择会影响下游分析：链接和标签预测，假设检验等。此外，研究人员往往不控制底层数据或其集合，而是想在给定的网络上学习问题的最佳表示。本教程探讨了将数据转换为网络表示和从网络中提取潜在表示所面临的挑战。我们比较了直接从数据中直接得到的全局模型，推断的网络模型和推断的潜在空间模型这几个优势。
网络嵌入（网络节点表示，Network Embedding）
如今，越来越大，越来越复杂的网络被用于越来越多的应用中。众所周知，网络数据复杂且具有挑战性。为了有效地处理图形数据，第一个关键挑战是网络数据表示，即如何正确地表示网络，以便在时间和空间上高效地执行模式发现、分析和预测等高级分析任务。
在本教程中，我们将回顾有关网络嵌入的最新方法和成果。更具体地说，将会讨论一系列网络嵌入的基本问题，包括为什么我们需要重新审视网络表示，什么是网络嵌入的基本问题，如何学习网络嵌入，以及网络嵌入的最新进展和趋势。
原文发布于微信公众号 - 专知（Quan_Zhuanzhi）