在分析、处理大规模图形的过程中，往往在计算、算法和建模等方面充斥着挑战。而本课程，就是针对上述的种种问题而设计，适合初学者入门，也能让有一定编码能力和数学基础的同学进行一次梳理。主讲人为斯坦福计算机学院副教授Jure Leskovec，图表示学习方法 node2vec 和 GraphSAGE 的作者之一，GNN里一半的前沿研究和新应用都绕不开这位大佬。
斯坦福大学CS224W课程专注于大规模图分析的计算、算法和建模挑战。通过研究基础图形结构及其特征，介绍适用于各种网络的机器学习技术和数据挖掘工具。课程主题包括：表示学习和图神经网络；网络算法；知识图谱推理；影响最大化；疾病爆发检测和社交网络分析。这是近年来首次全面总结图机器学习相关课程，课程内容新颖全面，包括近年来火热的图神经网络的局限和应用等。
原始链接：
http://web.stanford.edu/class/cs224w/
原始链接：
http://web.stanford.edu/class/cs224w/
1 课程介绍
复杂数据可以表示为对象之间的关系图。这种网络是模拟社会、技术和生物系统的基本工具。本课程着重于大量图的分析所特有的计算、算法和建模挑战。通过研究基础图结构及其特征，向学生介绍机器学习技术和数据挖掘工具，有助于揭示对各种网络的见解。
主题包括: 表示学习和图神经网络;万维网的算法;知识图推理;影响力最大化;疾病爆发检测，社会网络分析。
2 讲师介绍
Jurij Leskovec
主讲人是图网络领域的大牛Jure Leskovec，Jure Leskovec是图网络领域的知名专家，他是斯坦福大学计算机学院的副教授，也是图表示学习方法node2vec和GraphSAGE的创始人之一。在谷歌学术搜索（Google Scholar）上，Jure拥有高达12.3万的论文引用数量，H指数为132。他的研究重点是大型社会和信息网络的分析和建模，以研究跨社会、技术和自然世界的现象。他的兴趣包括网络结构、网络演化、信息传播、影响和病毒在网络上的传播的统计建模，以及文本挖掘和机器学习的应用。
个人主页：https://cs.stanford.edu/~jure/
3 课程目录
01：图机器学习介绍（Introduction to Machine Learning for Graphs）
02：传统图机器学习方法（Traditional Methods for ML on Graphs）
03：节点嵌入（Node Embeddings）
04：标签传播节点分类（Label Propagation for Node Classification）
05：图神经网络模型（Graph Neural Networks 1: GNN Model）
06：图神经网络：设计空间（Graph Neural Networks 2: Design Space）
07：图神经网络应用（Applications of Graph Neural Networks）
08：图神经网络理论（Theory of Graph Neural Networks）
09：知识图谱嵌入（Knowledge Graph Embeddings）
10：知识图谱推理（Reasoning over Knowledge Graphs）
11：基于GNNs的频繁子图挖掘（Frequent Subgraph Mining with GNNs）
12：网络社区结构（Community Structure in Networks）
13：传统图生成式模型（Traditional Generative Models for Graphs）
14：深度图生成式模型（Deep Generative Models for Graphs）
15：图神经网络高级主题（Advanced Topics on GNNs）
16：GNNs可扩展（Scaling Up GNNs）
16：可解释性（Explainability）
17：动态图学习（ Learning on Dynamic Graphs）
18：GNNs科学应用（GNNs for Science）
19：GNNs特别主题（Special topics in GNNs）
4 课程材料预览
其实本门课程原来叫做Analysis of Networks，主做传统网络分析，研究图这一强大的数据结构，对样本之间的复杂关系信息进行建模。
但在实际应用里，真实图的数据量动辄上亿节点，内部拓扑结构又极为复杂，很难将传统的图分析方法如最短路径、DFS、PageRank 等算法应用到实际任务上。
因此近年来，将机器学习方法和图数据结合起来，即图机器学习，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）。
本门课程也因此改名为Machine Learning with Graphs，并于19年秋季后，增加了有关GNN的相关内容，受到了广大炼丹爱好者的高度评价。
由此可见GNN等一系列机器学习方法对传统网络分析研究的推动。
