图机器学习 教学大纲

北京邮电大学研究生课程教学大纲《图机器学习》一、课程基本信息课程名称中文：图机器学习课程编号

3131101547英文：GraphMachineLearning课程负责人石川课程关键字网络表示学习；图神经网络；图机器学习；科学智能学时/学分32/2开课学期（单选）□春季学期√秋季学期□暑期学校适用学生说明：选最接近的一个类型√硕士研究生（□学术学位□专业学位）√博士研究生（□学术学位□专业学位）适用专业（单选）计算机科学与技术先修课程（可选）数据结构与算法、人工智能基础、机器学习或数据挖掘后续课程（可选）二、课程中文简介本课程主要讲授图机器学习的基本原理、核心算法、前沿进展与典型应用，是数据科学和人工智能的重要研究与应用方向。课程内容第一部分是图机器学习的基本概念和基础模型，帮助学生打下坚实的理论与方法基础。第二部分是全面介绍图机器学习的前沿进展，帮助读者把握图机器学习的核心技术与发展趋势。第三部分是图机器学习的平台实现与典型应用，讲授如何应用图机器学习技术解决实际问题。课程主要面向计算机及相关学科的高年级本科生、硕士研究生和博士研究生。通过本课程的学习，研究生可以系统掌握图机器学习的基本概念、代表性算法模型、实现方法与应用场景；同时培养学生的文献阅读能力、算法实现能力，以及运用图机器学习方法解决实际问题的能力。三、课程英文简介Thiscoursemainlycoversthefundamentalprinciples,corealgorithms,frontieradvances,andtypicalapplicationsofgraphmachinelearning,whichisanimportantresearchandapplicationdirectionindatascienceandartificialintelligence.Thefirstpartofthecourseintroducesthebasicconceptsandfoundationalmodelsofgraphmachinelearning,helpingstudentsbuildasolidtheoreticalandmethodologicalfoundation.Thesecondpartprovidesacomprehensiveoverviewofthelatestadvancesingraphmachinelearning,helpingreadersgraspitscoretechnologiesanddevelopmenttrends.Thethirdpartfocusesonplatformimplementationandtypicalapplicationsofgraphmachinelearning,explaininghowtoapplythesetechniquestosolvepracticalproblems.Thecourseismainlyintendedformaster’sanddoctoralstudentsincomputerscienceandrelateddisciplines.Throughthiscourse,graduatestudentscansystematicallymasterthebasicconcepts,representativealgorithmicmodels,implementationmethods,andapplicationscenariosofgraphmachinelearning;atthesametime,ithelpscultivatetheirabilitiesinreadingtheliterature,implementingalgorithms,andsolvingreal-worldproblemsusinggraphmachinelearningmethods.四、课程目标掌握图机器学习中的基本概念，包括图的结构表示、属性特征等；理解图机器学习的不同任务（如节点分类、链接预测、图分类）及其典型应用场景；理解并掌握传统图机器学习（如图特征工程、图嵌入）的基本原理及应用；理解并掌握图神经网络（如GCN、GAT等）的基本原理和经典方法；了解图机器学习的前沿进展和未来发展方向；了解图机器学习的典型应用；能够独立设计并实现简单的图机器学习模型，具备利用图学习平台解决实际问题的能力，并同步培养文献阅读与算法创新能力。五、课程思政（以《高等学校课程思政建设指导纲要》（教高〔2020〕3号）为依据，科学设计课程思政教学体系，以大数据背景为出发点，通过技术、讨论等形式分析未来可能存在卡脖子的技术点，以制度自信、文化自信、科技自信为基础，引导学生结合计算机前沿技术与实践，跟踪先进前沿和兴趣探索，提升学生的积极性、自主性、觉悟性。六、教学内容安排序号教学单元学时教学目标教学方式1第1章图机器学习概论2了解图与图机器学习的基本概念和发展脉络。课堂讲授2第2章基于特征工程的图机器学习2掌握节点、边与图级特征的构造方法。课堂讲授3第3章图嵌入3理解图嵌入基本概念，基于流形、结构信息与侧信息保持的图嵌入。课堂讲授4第4章图神经网络初步2掌握图神经网络基础、核心算子与经典模型。课堂讲授5第5章图神经网络进阶2了解数据、架构与训练优化思路。课堂讲授6第6章图机器学习前沿概述2把握基础理论、复杂图学习与可信图学习等方向。课堂讲授7第7章异质图机器学习2理解异质图概念、嵌入表示与异质图神经网络。课堂讲授8第8章谱域图机器学习2理解谱图基础知识与谱图神经网络。课堂讲授9第9章可信图神经网络2了解鲁棒性、公平性、泛化与可解释性。课堂讲授10第10章图基础模型2理解图基础模型的概念与发展方向。课堂讲授11第11章图机器学习平台2了解平台、计算特性及系统挑战，及工业系统。课堂讲授12第12章图机器学习实践3掌握模型组件与经典模型实现方法。课程实践13第13章图机器学习在推荐中的应用2了解推荐场景中的典型应用。课堂讲授专家讲座14第14章图机器学习在风控中的应用2了解风控、生命科学与电路设计等方面应用。课堂讲授专家讲座15第15章图机器学习在科学中的应用2了解生命科学与电路设计等科学方面应用。课堂讲授专家讲座七、课程考核过程考核考勤考核方式：课堂出勤，课堂提问平时填写说明：可包含课堂/课后任务，如作业、实验、报告等。考核方式：课堂汇报，小组活动结果考核（期末考核）√考查考查方式：论文/大作业/书面报告/口头报告/其他考查形式和具体要求：大作业，利用算法解决实际问题□考试□开卷，开卷形式和具体要求：□闭卷成绩比例过程考核：40%-70%结果考核考勤成绩10%平时成绩30%期末成绩60%八、教材与参考资料1.课程教材：（1）Deeplearningongraphs.YaoMa,JiliangTang.TheCambridgePress.（2）HeterogeneousInfo