本研究提出了一种新的时变网络嵌入方法M2DNE，它能够精细地捕获网络结构和性质中的微观和宏观动态，大量实验证明M2DNE在传统任务和时间倾向相关任务中的表现均显著优于现有技术。

Sep, 2019

本文提出了一种基于时间图的归纳表示学习方法，使用新颖的时间编码技术和自注意力机制，可以对动态网络中的节点分类和链接预测任务进行有效处理，并相对于现有的时空图嵌入方法取得了优秀的效果。

Feb, 2020

本文提出了一种基于 Temporal Graph Network 的动态网络表示学习的新方法，通过提取因果匿名步的高度自定义的消息生成函数。我们提供了一个基准管道以评估时间网络嵌入，并通过边/节点分类任务的各种传导/归纳检验来证明我们模型的优越性能。此外，我们还展示了我们模型在真实世界的下游图机器学习任务中的适用性和优越性能。

Aug, 2021

本文提出了一种名为动态集群结构约束模型（DyCSC）的新型时间网络嵌入方法，旨在通过对节点在网络中朝给定数量的簇的趋势施加时间约束来捕捉时间网络的演变。实验结果表明，DyCSC在多个实际数据集上表现出优越性，它在多个时间链接预测任务中始终大幅优于竞争方法。此外，消融研究进一步验证了所提出的时间约束的有效性。

Oct, 2022

本研究提出了一种为动态网络生成图层嵌入的新方法，包括构建多层图和使用改进的随机游走生成节点的时间上下文，再利用一个深度学习模型生成图层嵌入，并在公开数据集上进行了评估和比较。

Jun, 2023

本研究提出了一种基于序列预测的 TGSL 方法来更好地学习下游任务的图结构，通过添加潜在的时间边、使用 Gumble-Top-K 来选择最接近上下文嵌入的候选边，以及提出若干候选采样策略，同时端到端联合学习图结构和 TGNs，实验结果表明 TGSL 可以显著提高 TGAT、GraphMixer 等热门 TGNs 的性能，且在时间图上优于其他对比学习方法。

Jun, 2023

开发了一种具有不确定性量化的图嵌入模型TransformerG2G，通过利用先进的转换编码器从当前状态($ t $)和先前上下文（在时间戳[$ t-1，t-l $]上，$ l $是上下文的长度）中首先学习中间节点表示。

Jul, 2023

使用基于元学习原理的新型模型对新节点的动态链接预测进行建模，通过在时间编码器和预测器中融入元学习范式，实现了对新节点的快速适应并取得了卓越的性能。

Oct, 2023

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

使用基于时间尊重的随机游走构建的图嵌入来定义暂态图之间的距离，研究了匹配图和不匹配图的情况，并展示了该距离定义对于具有不同结构和时间特性的图的区分能力，并提出了一种适用于大规模暂态图的有效距离计算实现，并利用先进的机器学习技术进行了优化。

Jan, 2024