本文介绍了一种动态网络嵌入方法 dynnode2vec，解决了静态网络嵌入方法在动态网络上运用的问题，并在多个大型动态网络数据集上进行了实证评估。

Dec, 2018

DyG2Vec 是一种适用于动态图的自监督学习方法，利用窗口机制生成任务不可知的节点嵌入来预测未来的交互，并在标准数据集上显著优于现有的状态 - of-the-art 方法，并且只需要部分训练 / 推理时间，适用于少量标签的场景。

Oct, 2022

通过将节点定义为牛顿对象并引入速度的概念，我们提出了一种新的时间链接预测方法，通过计算每个节点的具体动态，而不是整体动态，提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面，使下游分类模型的性能提高了 17.34%（相对于基准模型）并针对时间链接预测问题提供了一个可解释的层。

Jan, 2024

本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。

Nov, 2021

本文提出了一种基于动态图的归纳式深层表示学习框架（DyRep），能够学习一组函数以高效生成随时间演变的低维节点嵌入，这些嵌入驱动动态图中节点之间的通信与关联，并利用时间为尺度的多元点过程模型来捕获这些动态关系，该研究通过动态链接预测和事件时间预测问题的两个真实世界数据集的实验证明了框架的有效性。

Mar, 2018

本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。

Jul, 2017

本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

Apr, 2023

本研究提出一种新的方法 EvolveGCN，其结合了时间因素和图卷积网络 (GCN) 模型，利用循环神经网络 (RNN) 来推动 GCN 参数的演变，从而对动态图的序列进行建模，实现了对于转化后的动态图的高效预测和分类。

Feb, 2019

本文通过对时空信息学习的先进优势进行调查和性能比较，为动态图形表示学习领域建立坚实的基础，以促进该领域的研究

Jul, 2023

本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

Oct, 2018