为加强研究生学术交流活动，推进学术创新，特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息，届时参加。也可就某学术报告展开专题讨论与交流。
近年来图嵌入算法(graph embedding)领域的研究有很大进展，涌现出许多性能优越的算法和模型。图嵌入即用一个低维，稠密的向量去表示图中的点。该向量表示能反映图中的结构，即两个点的上下文越相似，两个对应向量距离越近。图嵌入的最大好处自然是得到的向量表示可以输入任何的机器学习模型去解决具体面对的问题，同时对比一些传统的方法有对应的优势，比如基于矩阵分解的方法计算量太大；构造人工特征需要领域知识和较大的工作量。图嵌入可用于推荐，节点分类，链接预测，可视化等场景。本次报告基于社交网络关系对近年来提出的性能优越的graph embedding算法进行了对比，分析各自适应的应用场景，并且展示基于各种算法的实验结果。