- Networks： Networks are a general language for describing complex systems of interacting entities. 网络（关系图）是描述交互实体复杂系统的通用语言
- Networks/Graph 的两种类型：1） Networks（Natural Graphs 自然网络）：如 社会，基因或蛋白质的交互 2） Information Graph（信息图）：信息/知识是经过组织和链接的；（scene graphs）实体在特定场景下的关联；(similarity networks)相似性的连接
- 构建网络前（或对实体进行建模前），需要了解清楚实体间的关系
- 我们如何利用关联结构去做更好的预测？——通过对实体关系的准确建模
- 分析网络的方式：节点分类，链接关系预测，社区发现，网络相似度检测
本课程的两个重要主题：
1. 网络结构是如何影响系统的稳健性的
2. 开发量化工具用于评估网络结构与网络动态演化的交互，以及他们对故障的影响（这里不确定是否理解合适，原文是their impact on failures）
此外，会学习到现实中故障的发生往往伴随可复现的规则，从而用于量化甚至是预测
应用：
1. 社交网络
社交圈发现（检测/挖掘）
2. 工业
停电故障检测与预测
3. 知识
知识图谱，混合图谱，多模图谱
1）知识图谱，2）链路预测（内容推荐也是链路预测的一种），3）节点嵌入（embedding nodes, 类似于词嵌入，将节点用n维向量表示，且该向量是可用于计算，若节点间的邻居比较相似，则该两节点的距离较近)
4. 在线媒体：
1) 例如Tweet的转发网络（极化与非极化，群体极化？）
2） 信息误报（misinformation）：例如检测维基百科的文章是否是骗局？真实文章间的链接往往比较连贯，而欺诈性文章的链接结构是真实的不一致，论文中显示使用network检测文章是否真实的准确率在0.86（高于人类0.66）https://cs.stanford.edu/people/jure/pubs/hoax-www16.pdf
3）预测扩散性(predicting virality)：如社交网络中的信息级联
4）产品采用(product adoption): 如用户邀请另一用户注册某应用
5.生物制药：
如 蛋白质间的交互网络
1）副作用：复合用药的副作用预测？ 例如，老年人因为身患多种疾病，因此会服用多类药物，给定两类药物，预测其同时服用所产生的副作用。首先，构建一个多类混合的网络，共两类节点：药，以及蛋白。共3类链路关系：蛋白间的交互，药和蛋白间的交互，药和药间的关系 分为两种：肠胃出血副作用，心跳过慢副作用。
结果显示，使用网络分析中链路预测的方法，准确率比使用张量因子分解，多关心因子分解和浅层网络embedding的效果要好
课程内容安排：
