摘要：
Stanford cs224w 课程笔记：图神经网络虽然很强大，但它仍存在各种局限性。最主要的两点在于 1. 它对图的区分能力受限于 aggregation 是否是 injective 的；2. 它对图数据中的噪声和对抗攻击不具备鲁棒性 阅读全文
摘要：
Stanford cs224w 课程笔记：现实生活中大部分网络并非静态，而是随时间推移而演变的。通过研究不同时刻网络的结构可以发现一些网络演变的特征和信息。 阅读全文
摘要：
Stanford cs224w 课程笔记：初探影响力最大化及爆发检测，这是两种较为常见的关于网络上信息传播的问题。 阅读全文
摘要：
Stanford cs224w 课程笔记：分别介绍了基于决策及基于概率的传播模型，并以社交网络为例分析在实际使用中模型的有效性。 阅读全文
摘要：
Stanford cs224w 课程笔记：Google 赖以发家的 PageRank 算法的本质可视为 random walk。通过迭代地进行 random walk 的实现权重传递直到收敛，并根据收敛的值对网页价值进行排序。 阅读全文
摘要：
Stanford cs224w 课程笔记：当下正火的图神经网络，包括图卷积神经网络 GCN 和 GraphSAGE。同时介绍了基于深度学习的图的生成模型 GraphRNN 阅读全文
摘要：
Stanford cs224w 课程笔记：为了避免特征工程带来的麻烦以及可能造成的信息丢失问题，我们需要对节点编码并使这个编码包含节点的结构特征，主要方法涉及到随机游走。 阅读全文
摘要：
Stanford cs224w 课程笔记：这一讲说到了节点以及关联信息的传递，并通过迭代更新的方式对节点进行分类 阅读全文
摘要：
Stanford cs224w课程笔记：通过特征值和特征向量对网络进行聚类，以此实现社区划分 阅读全文
摘要：
Stanford cs224w课程笔记：之前提到图中节点具有扮演不同角色，而角色的概念和社区互补，社区突出的是一个具有密切联系和相似特性的节点集合。本文涉及了社区的定义和量化方式，并介绍了两种进行社区聚类的算法。 阅读全文