WWW会议始于1994年的欧洲核子研究中心，每年由国际万维网会议委员会（IW3C2）组织举办。会议地点通常在北美、欧洲和亚洲之间轮流举行。

WWW会议的宗旨是为世界提供一个重要的论坛，讨论网络的发展，相关技术的标准化以及这些技术对社会和文化的影响。会议汇集了研究人员、政策制定者，开发人员，用户和商业企业。

2019年的WWW会议将在美国旧金山举办，为期五天（5月13日-17日）。我们对本届WWW会议的accepted papers的作者们进行了统计分析。

1. 学者的机构分布

在WWW 2019的论文作者中，共有518位华人学者。以下分别为工作单位为中国大陆、美国、中国香港的部分华人作者图。

其中工作单位为中国大陆的华人作者有97人，约占总体的19%；工作单位为美国的华人作者有60人，约占总体的16%；工作单位为中国香港的华人作者有11人，约占总体的2%。

下面小编选取了一位华人作者代表，让我们一起走进WWW会议，一起看看他在会议中都讲了什么吧~

2. 网络表示学习解析

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。以下将为大家带来唐杰老师的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示范。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social & information network analysis

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、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。

图丨社会和信息网络的分析、计算模型和实际应用等社交网络用户画像侧写、用户行为、特征分析的实现和其具体的应用

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。

唐杰老师今天在WWW2019的tutorial就给大家分享到这了，唐杰老师的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！

想了解更多关互联网 2019届会议华裔作者库的人才信息，欢迎点击阅读原文，访问全球华人专家库官网。

[关于转载]：本文为“AMiner”官网文章。转载本文请联系原作者获取授权，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“AMiner”官网。谢谢您的合作。