原始链接：
http://web.stanford.edu/class/cs224w/
网络是建模复杂的社会、技术和生物系统的基本工具。结合在线社交网络的出现和生物科学中大规模数据的可用性，本课程着重分析大规模网络，这些大型网络提供了一些计算、算法和建模方面的挑战。通过研究学生潜在的网络结构和相互联系，向他们介绍机器学习技术和数据挖掘工具，这些工具有助于揭示社会、技术和自然世界的真知灼见。
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。
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）
Graph Representation Learning by William L. Hamilton
Networks, Crowds, and Markets: Reasoning About a Highly Connected World by David Easley and Jon Kleinberg
Network Science by Albert-László Barabási
