0
| 本文作者： AI研习社-译站 | 2018-09-25 18:04 |
雷锋网AI研习社按：图是一种常见的数据结构，可以被用于许多不同的预测任务。如何从图数据学习有效特征是个重要的问题。我们的新概念是从点和边出发，拓展到更高阶的子图结构（比如路径、子图）来帮助图特征学习。这些高阶的子图结构通常具有不同的功能，事实上在一起共同构造了整个网络，所以我们称这些高阶的子图结构为网络功能模块（Network Functional Blocks）。在这次雷锋网AI研习社公开课的分享中，我将用语义相关度搜索（Semantic Proximity Search）作为一个应用例子，来介绍我们最近在探索不同粒度的网络功能模块、以进行有效图特征学习的一些进展。
分享主题
基于网络功能模块的图特征学习
分享嘉宾
郑文琛，微众银行人工智能项目组专家工程师和副总经理。主要研究方向为结构化数据的特征学习和迁移学习，已在相关研究领域发表了60余篇顶级会议和期刊论文，并拥有多项专利和技术。
在图数据特征工程的成就获得国际人工智能顶级会议IJCAI 2018年的Early Career Spotlight，在迁移学习应用于用户行为识别的成就获得国际会议ICCSE 2018年的最佳论文奖。是Cognitive Computation杂志的副主编。同时也是多个顶级人工智能国际会议的编委会委员和研讨会的组织者。
分享提纲
1、图特征学习简介。
2、网络功能模块的概念，及其在语义相关度搜索的应用。
3、利用节点路径作为网络功能模块的解决方案。
4、利用子图扩展路径作为网络功能模块的解决方案。
5、利用异质有向无环图作为网络功能模块的解决方案。
6、总结。
分享时间
9月 26 日（星期三） 20:00
直播链接
http://www.mooc.ai/open/course/560
想了解更多 AI 研习社直播？
欢迎移步雷锋网 AI 研习社社区~
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
