个人笔记

1 基本信息

1.1 课程标题：《CS224W 图机器学习》

1.2 授课讲师：Jure Leskovec，Joshua Robinson 等人

1.3 授课日期：2023 年冬

1.4 品读时间：2024 年 3 月~2024 年 12 月

1.5 整体耗时：约 55h

1.6 摘要

前半部分内容很扎实，对图神经网络的本质进行解读（信息的转换和聚合），同时提出了一套统一的 GNN 理论框架来涵盖常见的图模型（GCN、GraphSAGE、GAT）

中后部分则相对发散，从推理、子图计数、图推荐、图生成、大型图等领域，涉及图神经网络的方方面面，方便学生了解该领域的广度

最后几节课则贴近前沿，但内容质量不一，涵盖了 GNN 的不确定性量化、因果链接预测等较新的学术成果，也对 GNN 的架构设计思路进行了更深入的剖析

1.7 特点

课程内容由浅入深，重视对图神经网络的本质理解

课程设计合理，由点及面，适合不同阶段的人群

整体来说，该课程内容质量上乘，个人非常推荐

1.8 评分：⭐⭐⭐⭐⭐

2 大纲

CS224W 图机器学习01：基本介绍

CS224W 图机器学习02：图嵌入表示

CS224W 图机器学习03：图神经网络

CS224W 图机器学习04：GNN 深入理解

CS224W 图机器学习05：GNN 的训练与预测

CS224W 图机器学习06：GNN 的理论理解

CS224W 图机器学习07：异构图的学习

CS224W 图机器学习08：知识图的学习

CS224W 图机器学习09：知识图的推理

CS224W 图机器学习10：子图的匹配和计数

CS224W 图机器学习11：基于 GNN 的推荐

CS224W 图机器学习12：深度图生成模型

CS224W 图机器学习13：图神经网络进阶

CS224W 图机器学习14：图与 Transformers

CS224W 图机器学习15：GNN 拓展到大型图

CS224W 图机器学习16 PART1：图上下文学习框架

CS224W 图机器学习16 PART2：量化 GNN 的不确定性

CS224W 图机器学习17：链接预测和因果关系

CS224W 图机器学习18：GNN与算法对齐

6_course/机器学习/斯坦福 CS224W 图机器学习/CS224W 图机器学习 19：课程总结

3 课程资源

官方课件

4 关键字

#图机器学习 #GNN #知识图 #算法对齐