微软亚洲研究院论文解读：GAN在网络特征学习中的应用（PPT+视频）

本文为 1 月 10 日，上海交通大学博士生、微软亚洲研究院实习生——王鸿伟在第 23 期 PhD Talk 中的直播分享实录。

网络特征学习（network representation learning / network embedding）是近年来兴起的一个特征学习的研究分支。

作为一种降维方法，网络特征学习试图将一个网络中的节点映射到一个低维连续向量空间中，并在该低维空间中保持原有网络的结构信息，以辅助后续的连接预测、节点分类、推荐系统、聚类、可视化等任务。 

在本期的 PhD Talk 中，来自上海交通大学的博士生王鸿伟，和大家一起回顾了近五年来网络特征学习领域的研究进展。

随后，他还以第一作者的身份，为大家解读了上海交通大学、微软亚洲研究院和香港理工大学在 AAAI 2018 上发表的工作：GraphGAN: Graph Representation Learning with Generative Adversarial Nets。该工作引入生成对抗网络（GAN）的框架，利用生成器和判别器的对抗训练进行网络特征学习。

最后，他还简单介绍了网络特征学习在情感预测和推荐系统领域的应用，这些工作是他以第一作者发表在 WSDM，CIKM，WWW 等数据挖掘国际顶级会议上的最新成果。

class="video_iframe" data-vidtype="2" allowfullscreen="" frameborder="0" data-ratio="1.7647058823529411" data-w="480" data-src="http://v.qq.com/iframe/player.html?vid=e053602k9x0&width=638&height=358.875&auto=0" style="display: block; width: 638px !important; height: 358.875px !important;" width="638" height="358.875" data-vh="358.875" data-vw="638" src="http://v.qq.com/iframe/player.html?vid=e053602k9x0&width=638&height=358.875&auto=0"/>

△ Talk 实录回放

Outline

本次直播主要分为三个部分。首先，我会为大家介绍 Graph Representation Learning 的定义、应用、分类方法和相关代表作。

第二部分，我将为大家介绍我们发表在 AAAI 2018 上的一篇论文 GraphGAN: Graph Representation Learning with Generative Adversarial Nets。

最后，我还将介绍我们在 Graph Representation Learning 领域的一些应用，包括推荐和情感预测。

上图底部是三份比较有价值的资料，第一份是 Graph Embedding 的 Survey，第二份是一个论文清单，其中包含近五年来较为经典的 Network Representation Learning 相关论文。第三份是我写的关于推荐系统和网络表示学习的文献综述，欢迎大家参考。

关于GRL

首先简单介绍一下 Graph Representation Learning 的定义，中文可以称之为图特征学习或者网络特征学习。其主要目的在于，将图中每一个节点都映射到一个低维向量空间，并且在此空间内保持原有图的结构信息或距离信息。

以上并非官方权威定义，Graph Representation Learning 目前没有任何官方定义或名字，它也可以被称作 Network Embedding、Graph Embedding 或 GRL。

我们来看上图中的简单例子，左图有三个节点和三条边，其中的数字表示各边的权值 weight，我们通过 GRL 将其映射到一个二维空间中。可以发现，如果两个点之间的 weight 越大，那么它们之间的距离就越近。这就是 GRL 的精髓所在，即在低维空间中保持原有图的结构信息。

Graph Representation Learning 的应用相当广泛，它可以被用于链路预测、 节点分类、推荐系统、视觉、知识图谱表示、聚类、Text Embedding 以及社会网络分析。

GRL分类方法

我们将 GRL 的方法按照三种不同分类来进行简单介绍。 

首先按输入进行分类，既然是 GRL，那么其输入肯定是一张图，但图的种类有很多：

第一种叫同构图，即图中的节点和边都只有一种，比如引用网络，其中的节点表示每篇 paper，边表示引用关系。同构图又可以根据是否有加权进行细分，即其边是否权值、边是否有向，以及边是否有正负号。

第二种是异构图，即网络中的节点和边不止一种，一般分为两种情况：

1. 多媒体网络。比如有的 paper 就考虑过一张图具备