給出一個大的圖，比如誰買什么，哪個節(jié)點是最重要的節(jié)點?我們如何找到社區(qū)?

給出一個大的圖，比如誰買什么，哪個節(jié)點是最重要的節(jié)點?我們如何找到社區(qū)?如果節(jié)點有屬性(比如，性別，或環(huán)保，或欺詐者)，并且我們知道一些節(jié)點的利益值，我們如何猜測其余節(jié)點的屬性?圖自然地表示了一系列過程，包括社交網(wǎng)絡或通信網(wǎng)絡上的人之間的交互、萬維網(wǎng)上網(wǎng)頁之間的鏈接、客戶和產(chǎn)品之間的交互、產(chǎn)品、公司和品牌之間的關系、惡意賬戶之間的關系，以及許多其他過程。在這些場景中，模擬真實網(wǎng)絡的圖通常是異構的、多模態(tài)的和多關系的。隨著越來越多相互關聯(lián)的結構化和半結構化數(shù)據(jù)的可用性，利用網(wǎng)絡的異構和多關系特性來有效挖掘和學習此類數(shù)據(jù)的重要性變得越來越明顯。在本教程中，我們將介紹經(jīng)過時間考驗的圖挖掘算法(PageRank, HITS, Belief Propagation, METIS)，以及它們與多關系學習方法的連接。我們既討論了傳統(tǒng)的純圖，也討論了異構的屬性圖。我們的重點是這些工具背后的直覺，只指向它們背后的定理。本教程將包括許多Web會議社區(qū)直接感興趣的設置示例(例如，社交網(wǎng)絡、推薦系統(tǒng)和知識圖譜)。

https://graph-mining-tutorial.github.io/www2021/#slides

目錄：

引言與動機 Introduction and Motivation.

純圖 Part 1: Plain Graphs - Traditional tools

Node Importance, Node Proximity, Link Prediction: SVD, PageRank, HITS, SALSA

Community Detection METIS, Co-clustering, Cross-associations ‘No good cuts’

Fraud and Anomaly Detection OddBall, CopyCatch, EigenSpokes, Fraudar; Survey on anomaly detection applications

Belief Propagation (Basic, FastBP, zooBP); FastBP and extensions; Applications: NetProbe, Snare, Polonium

復雜與異構圖 Part 2: Complex and Heterogeneous Graphs

Factorization Methods: Factorization Machines; PARAFAC, Survey on tensors, and applications

Heterogeneous Information Networks and Meta-path-based methods

Prediction and Recommender Systems, Entity Resolution and Knowledge Graph Identification

結論 Conclusions