点击上方“AI遇见机器学习”，选择“星标”公众号
重磅干货，第一时间送达
一、资源简介

今天，推荐一份关于图表示的资料。这就是Google图挖掘团队的两位高级科学家Alessandro Epasto和Bryan Perozzi在Google AI Blog上发表的最新长博文《图表示学习中的创新》，介绍了最新的一些图表示学习成果。其中，Bryan Perozzi是大家所熟悉的DeepWalk算法的作者。
图是表达能力强大的数据结构，在互联网和物理实际中随处可见，如社交网络和蛋白质网络等。图分析在聚类、链接预测等机器学习应用中扮演着基础的角色。另外，网络表示是什么，以社交网络为例，网络表示就是将网络中的点用一个低维的向量表示，并且这些向量要能反应原先网络的某些特性，比如如果在原网络中两个点的结构类似，那么这两个点表示成的向量也应该类似。
二、主要内容
文中主要讲述了：
  1. 图表示学习简介
  2. 离散表示到连续表示（DeepWalk）
  3. 论文《Is a Single Embedding Enough? Learning Node Representations that Capture Multiple Social Contexts》讲述
  4. 论文《Watch Your Step: Learning Node Embeddings via Graph Attention》讲述
  5. 多Embedding方法Splitter
  6. 基于图注意力网络的自动超参数优化
三、资源分享
同时为了方便大家，我们把最新资料打包好了，可以直接下载哦~
获取方式：
1. 关注我们的公众号“AI遇见机器学习”
2. 后台回复“图表示学习创新” 即可以获取资料哈~（建议复制，避免错字）
推荐阅读
干货|学术论文怎么写
资源|NLP书籍及课程推荐（附资料下载）
干货|全面理解N-Gram语言模型
资源|《Machine Learning for OpenCV》书籍推荐
欢迎关注我们，看通俗干货！
继续阅读
阅读原文