International World WideWeb Conference，简称WWW会议，是关于万维网的年度国际学术会议（https://www2019.thewebconf.org/ ）2019年的WWW会议在美国旧金山举办，为期五天（5月13日--17日）。

我们曾对本届WWW会议的accepted papers的作者们进行了统计分析，WWW 2019接收论文公布，共有518位华人作者，其中158位学者为接收论文的第一作者。我们现在已推出WWW 2019一作华人学生库，点击此链接访问：http://gct.aminer.cn/eb/gallery/detail/eb/5c9040df530c70b92f820827 。

今年WWW会议华人作者之一的清华大学计算机系教授唐杰在本届WWW会议上做了“Representation Learning on Networks : Theories , Algorithms , and Applications”的演讲，这是一个关于网络表示学习的tutorial。本文将为大家带来唐杰老师和YuXiao Dong老师的tutorial浅析。

网络表示学习为网络数据的挖掘和学习提供了革命性的范示。 在本教程中，我们将系统地介绍网络表示学习。 我们将以阿里巴巴，AMiner，Microsoft Academic，WeChat和XueTangX作为行业示例，以解释Web上的网络分析和图形挖掘如何从表示学习中受益。 然后，我们将全面介绍网络表示学习的历史和最新进展，如网络嵌入和图神经网络。 本教程旨在为受众提供网络表示学习的基础理论，以及我们将这一系列研究转化为网络上的实际应用的经验。 最后，我们将公开数据集和基准，开放网络表示学习研究的大门。

Part1 Introduction--History of social & information network analysis

数字化世界的联系比你想象中要更紧密，互联网将几乎所有人都联系了在一起，没有人是一座孤岛。社交网络就是将一个孤岛或者多个孤岛相互联系依存起来，组成“social network”。

图丨社交网络发展历史

在此部分全面介绍了网络表示学习的历史和最新进展，包括社交关系、网络嵌入、图神经网络等。

Part 2 Network Embeddings

Part2主要讲述了一些基本的网络表示学习方法和applications，网络表示学习方法像DeepWalk、LINE、node2vec，也讲了我们最近提出的NetMF和适用于大规模网络的NetSMF，还有最近利用矩阵稀疏性提出的一个快速网络表示学习算法ProNE；applications主要有两个：Node Clustering和Postpaid→Prepaid。并且梳理了Network Representation Learning / Network Embedding的研究趋势、代表性论文以及发展与挑战。

Part 3 Graph Neural Networks

Part3主要讲述了Graph Neural Network（GNN），包括GCN和一些扩展算法，还有动态网络表示学习、异构网络表示学习以及网络表示在推荐中的应用等，另外也介绍了我们今年发表的一系列文章，比如OAG。

图丨GCN近年研究趋势，GCN可以被认为是传统图谱方法的简化

常见的策略是将节点的邻域建模为感知域，然后应用图卷积运算

Graph Neural Network（GNN）的大规模实例应用：如知识图链接（AMiner、微软）、电子商务推荐（淘宝）、Deep User Profiling（Facebook、微信）以及游戏中的社会影响力（DNF、QQ飞车）等。

Part 4 Conclusion

唐杰老师和Yuxiao Dong老师今天在WWW2019的tutorial就给大家分享到这了，两位老师的slides有近500页，在会上讲述了六个小时，内容虽多而繁，但其中干货不少，学术君也对其只是简单归纳，想要获得更多，还是需要大家自己去探索！唐老师500页的slides可关注“学术头条”公众号，在后台回复关键词“WWW”即可获取下载链接！

[关于转载]：本文为“学术头条”原创文章。转载仅限全文转载并保留文章标题及内容，不得删改、添加内容绕开原创保护，且文章开头必须注明：转自“SciTouTiao”微信公众号。谢谢您的合作。