我們請來了2017 NIPS大會發文數全球前3的華人教授，講解網路數據的表徵學習

2017 NIPS大會可以算得上全球聲量最大、出席人數最多的AI學術會議了。大會剛剛落下帷幕，不少媒體和社區都總結了本次會議相關數據，比如，大會發文數：

圖：最有聲望、出席人數最多的AI學術會議-NIPS 今年大會發表文章最多的作者排名。

來源：

https://unsupervisedmethods.com/nips-accepted-papers-stats-26f124843aa0

在發文量前三名中，唯一出現的華人是來自喬治亞理工大學計算科學與工程系終身副教授，機器學習中心副主任宋樂教授。

宋樂教授（Le Song）現任螞蟻金服人工智慧部首席工程師（Principle Engineer），他的主要研究方向是機器學習的大規模演算法和高效系統，特別是使用核方法和深度學習方法的圖模型的嵌入方法，以及靜態和動態網路分析，人工智慧、社會科學、計算生物學等跨學科領域裡的大規模複雜問題的建模和求解。

前段時間，大數據文摘有幸邀請到宋樂教授為我們的讀者分享他的研究成果：用Structure2Vec提取特徵，解決網路數據的表徵學習問題。

本次分享，宋樂教授介紹了一個強大的異構網路深度學習和推理平台：Stracture2Vec。有了它，我們可以更加容易和高效地解決複雜的網路表徵學習問題。

宋樂教授從Structure2Vec平台後面的模型、演算法、設計思想和大規模分散式實現的一些細節入手，介紹了它在推薦、營銷、知識圖譜推理、風控、安全等問題上的應用和效果。

目前沒有時間觀看的同學可以先收藏課程，下拉看文摘菌總結的課程介紹和PPT

課程介紹

現實社會中的各種行為把整個世界編織成一個龐大而複雜的網路。人們日常的聯繫和交流行為構成了社交網路，互聯網中的網頁鏈接關係構成了萬維網。

支付平台中的交易行為構成了交易網路和資金網路，人們日常的出行軌跡構成了交通網路，微觀世界中的分子交互行為以及電子電路的傳導行為同樣也構成了美妙而複雜的網路關係。

如何從這些複雜的網路數據中提取有價值的特徵？

這些網路形成的背後是否存在什麼潛在的規律？

不同類型的網路之間又是如何互相影響和傳導的呢？

要回答這些問題，一個強大的網路深度學習和推理平台尤為重要。

以前的深度學習模型如CNN和RNN，可以解決圖像及文本上的表徵學習，但是對網路數據卻無能為力。

本次分享將介紹一個強大的異構網路深度學習和推理平台：Structure2Vec。有了它，我們可以更加容易和高效地解決上述複雜的網路表徵學習問題。

Structure2Vec提供了一種能夠同時整合節點特徵，邊特徵，異構網路結構以及網路動態演化特徵的深度學習和推理的嵌入技術，它不僅可以對網路中的節點和邊進行推理，還可以對節點，邊，甚至子圖進行向量化（embedding）。

Structure2Vec產出的特徵向量可以與其他機器學習方法進行再融合，比如分類方法、回歸方法、生成模型及強化學習方法。

分享人簡介

宋樂（Le Song）是螞蟻金服人工智慧部的首席工程師（Principle Engineer），同時也是喬治亞理工大學計算科學與工程系終身副教授，機器學習中心副主任。他於2008年在Alex Smola的指導下從悉尼大學和NICTA獲得機器學習博士學位。2008年至2011年間，在卡內基梅隆大學機器學習系Eric Xing和Carlos Guestrin的指導下進行了博士後研究。在2011年加入喬治亞理工學院之前，他曾是一名Google的科學家。

宋樂教授的主要研究方向是機器學習的大規模演算法和高效系統，特別是使用核方法和深度學習方法的圖模型的嵌入方法，以及靜態和動態網路分析，人工智慧、社會科學、計算生物學等跨學科領域裡的大規模複雜問題的建模和求解。他獲得過很多機器學習方面的頂級國際獎項，包括Recsys』16深度學習研討會最佳論文獎，AISTATS』16最佳學生論文獎，IPDPS』15最佳論文獎，美國國家自然基金會NSF』14優秀職業獎，NIPS"13優秀論文獎和ICML"10最佳論文獎。歷任ICML，NIPS，AISTATS，AAAI，IJCAI等機器學習和AI頂尖會議的研究領域主席，也是機器學習頂尖雜誌JMLR及IEEE PAMI的副主編。

宋樂教授個人主頁：https://www.cc.gatech.edu/~lsong/

用數學與計算機的方式

解讀網路數據之美

一起來聽聽吧

學習 · 分享 · 交流

這裡的數據科學最好玩兒

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！