【DMC 第六讲】图与网络模型
图与网络模型
11月20日 18:00-20:00
中国人民大学明德主楼 1016会议室
腾讯会议ID 778 264 858
本学期DMC采用线上、线下混合方式进行,无法到现场参与报告的同学可以通过上方腾讯会议ID观看线上直播!
内容介绍
1. 图论基础及传统图模型算法
本节主要介绍了图论的基础知识,包括图的定义、图的表示、图的分类和连通图等,其次介绍一些基于图数据的社区发现算法,包括LPA标签传播算法及其拓展SLPA、基于模块度的Fast Unfolding算法。
2. 图表示学习算法
本节主要介绍了常用的图表示学习算法,具体分为基于矩阵分解的方法、基于随机游走的方法和基于神经网络的方法三大类。
本节首先介绍了作为随机游走方法基础的word2vec词表示学习算法,随后具体介绍了随机游走方法中的DeepWalk、node2vec和struct2vec方法,以及神经网络中的Line方法和矩阵SVD分解的方法。
最后,本节简单说明了一下几种常见图表示学习算法在矩阵分解框架下的统一形势。
3. 图卷积网络(GCN)
本节主要介绍了卷积神经网络和图卷积网络的区别,以及引入图卷积的原因。以一个一维欧式空间的热传导模型作为引例,首先推导了图上的拉普拉斯变换,进一步推导出图上的傅里叶变换,最后基于卷积定理定义了图上卷积运算。
此外,本节还将分别介绍第一代和第二代图卷积网络,并分析两代卷积核各自优缺点,最后利用卷积核近似思想和MXnet框架,搭建图卷积网络模型进行半监督分类。
4. 代码实现
本节主要对上述所讲的部分内容进行代码的实现与展示。
阅读材料
本次讲座的相关资料已上传至网盘,欢迎大家点击左下角的“阅读原文”进入DMC官网下载。建议大家提前阅读,做好预习。
小编寄语
本次报告将首先介绍图论的基础概念,并讲解了一些传统图模型算法。在此基础上,报告将会介绍图表示算法的基本思想和常见的几种具体方法,为之后更深入的算法应用打下基础。在此之后,报告还会对图卷积的定义进行推导,介绍第一代和第二代图卷积网络,同时使用卷积核近似思想和MXnet框架,搭建图卷积网络模型进行半监督分类。最后,报告将通过代码对一些重要算法进行实现和演示。
如果想和我们一起了解关于图的更多知识,就来周五晚上的DMC吧!
DMC
中国人民大学数据挖掘中心
点击阅读原文下载阅读材料吧