一些URL

Influence Maximization

https://www.cnblogs.com/qioqio/p/7521039.html

http://blog.csdn.net/workerwu/article/details/44137385

https://www.cnblogs.com/peileyuan/p/4775453.html

http://datasciencemasters.org/

知乎问题学些什么：https://www.zhihu.com/question/21714701

学些什么豆豆叶：https://www.zhihu.com/question/21714701/answer/49084558

https://www.zhihu.com/question/64566768/answer/222128940

意义：http://www.199it.com/archives/243190.html

基于R的例子：https://www.cnblogs.com/wentingtu/archive/2011/12/16/2289890.html

应用、前沿：http://www.sohu.com/a/196864948_608782

知乎问题：https://www.zhihu.com/question/38657723/answer/77545846

Jure:http://cs.stanford.edu/people/jure/

Mark Newman:https://link.zhihu.com/?target=http%3A//www-personal.umich.edu/%7Emejn/

SNA course: http://blog.csdn.net/leijun00/article/details/15219205

SNAP: http://blog.csdn.net/disappearedgod/article/details/36049505

怎样的学科：https://www.zhihu.com/question/28939731

唐杰微博：https://weibo.com/jietangthu?is_hot=1#1513306865587

作者：Eric Ye 链接：https://www.zhihu.com/question/63147698/answer/207851568 来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

图数据可以挖掘的点有很多，从宏观层面来讲，主要包括网络的特征统计分析(比如，小世界，无标度，幂律分布)；从中观层面来讲，主要包括社区发现以及最近比较新的motif的分析；从微观层面来讲，主要包括链路预测，结点排序，影响力最大化等。

由于生活中很多东西都可以通过图结构来描述，对图的研究很多领域都有涉及，比如复杂网络领域、数据库领域、数据挖掘领域、IR领域、数学领域等。因为很多领域的人都研究图数据，所以关于图的很多问题确实被研究的比较透彻了。但是图数据挖掘仍然还有很多值得深入研究的问题，具体来讲:

1.大规模网络社区发现算法社区发现主要用于社交网络分析，微信、脸谱等用户规模都已经破亿，如何设计高效的算法来处理如此大规模的网络还有很大的研究空间。

2.Network embedding 网络映射是最近比较热门的研究点。之前的谱聚类是先由数据特征构造图，然后基于构造的图来进行聚类分析。网络映射则恰恰相反，它是基于图结构为图中每个节点学习一个低维的表征向量。

3.Multi-network 单一图的研究大家做得差不多了，就提出了多图的概念，目前这个点也有很大的发文章的空间。

4.异构网络的分析处理异构网络能够更真实的刻画实际情况，也能够保留更多的实际信息。对异构网络的研究目前主要是基于meta path，但我个人认为meta path应用场景限制比较大，所以这个点适合挖坑搞个大动作，如果能提出一种比meta path更好的更具通用性的方法，文章引用次数肯定会很高。

5.网络中异常节点检测社交网络中异常用户检测，比如营销账号，僵尸粉等。现在能够收集到更多的数据，所以可以结合收集的数据和用户的社交网络关系来做异常点检测。

6.时态图分析图是在不断变化的，如社交网络中新的好友关系的建立，如何从动态的角度来分析网络，如何修改已有算法使其适用于时态图等都值得深入研究。

KDD SIGMOD VLDB WWW AAAI IJCAI ICDE这些顶会上每年都有很多关于图或者网络的文章。

国内推荐关注清华唐杰，电子科大周涛，国外推荐关注斯坦福的Jure Leskovec。