题目：Introduction to Graph Representation Learning
报告人：张九经
首先从实际不同研究领域的例子出发，介绍了图数据上常见的任务；然后以完成这些任务为目的出发，提出了要将原始图数据转换为结构化特征以及尽可能的利用信息这两大目标。解释了对图数据进行处理的困难之处，以及使用图嵌入的方式来转换特征。随后介绍了DeepWalk方法和行走策略对图信息提取的影响，并解释了这类方法的缺点和局限性；介绍了GCN的基本思想、步骤以及公式化表达，以及GCN的实验效果和后续工作。
老师建议：
①时间控制不好，做报告一定不能超时。
②一些细节没有处理好，例如讲实验数据的时候没有指出图表里的指标是百分比准确率。算法的讲解中最好能加一些图示辅助理解。
③这个报告讲得比较面面俱到，但应该更突出一些自己的内容和思考。
相关资料：
[1]Leskovec J. Stanford CS224W: Machine Learning with Graphs. 2019
[2]Perozzi B , Al-Rfou R , Skiena S . DeepWalk: Online Learning of Social Representations. KDD 2014.
[3]Grover A , Leskovec J . node2vec: Scalable Feature Learning for Networks. KDD 2016.
[4]Kipf T N , Welling M . Semi-Supervised Classification with Graph Convolutional Networks. ICLR 2017.
[5]Hamilton W L , Ying R , Leskovec J . Inductive Representation Learning on Large Graphs. NIPS 2017.
[6] Velikovi P , Cucurull G , Casanova A , et al. Graph Attention Networks. ICLR 2018.
[7] Xu K , Li C , Tian Y , et al. Representation Learning on Graphs with Jumping Knowledge Networks. ICML 2018.
[8]Jie Z, Ganqu C, Maosong S. Graph Neural Networks: A Review of Methods and Applications. arXiv:1812.08434.
[9]Xu K , Hu W , Leskovec J , et al. How Powerful are Graph Neural Networks. ICLR 2019.
