我们在动态网络的链接预测问题中，提出了一种基于半监督图嵌入的方法，使用加权损失函数来同时反映时空和快照结构信息，从而提高模型的预测性能，并在三个真实动态网络上展示了方法的有效性。

Oct, 2016

本研究提出了一种新的动态属性网络嵌入框架——DANE，该框架采用了一种离线方法来达成共识嵌入，然后利用矩阵扰动理论来在在线方式下保持末状态的新鲜度。

Jun, 2017

基于嵌入方法的动态图形表示学习，结合密集和递归层，研究动态图形中的链路预测问题，并在两个真实数据集上验证了其优越性。

Sep, 2018

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

该论文提出了一种节点嵌入方法，通过学习时间图的节点和边的演变，利用一种时间节点嵌入模型进行不同的图形预测任务，并通过合并历史嵌入，优化每个特定任务来创建一个节点的时间嵌入。评估表明，与竞争基线和算法替代方案相比，我们的算法在许多数据集和基线上都显示出性能改进，并且在较不凝聚、具有较低聚类系数的图形中效果特别显著。

Mar, 2019

本研究提出了一种新颖动态异构网络嵌入方法，称为DyHATR，在使用分层注意机制来学习异构信息的基础上，结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势，并在实际应用中得到了较好的表现。

Apr, 2020

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

本文说明了在使用图神经网络时易忽视的一种在网络动力学建模方面的误解，指出利用嵌入在神经动力网络模型中往往会导致模型拟合观测数据的表现良好但动力行为不正确，因此提出了一个不使用嵌入的替代方法，通过实验证明了该模型可以可靠地从时间序列数据中恢复不同网络拓扑下的广泛动态。

May, 2023

本文研究动态网络嵌入的问题，通过应用已建立的静态网络嵌入方法到扩展的展开邻接矩阵，实现对动态网络中节点的解释性和强大的嵌入表示，提供理论保证和假设测试框架以评估动态网络嵌入质量，并证明我们提出的稳定展开方法不仅更易解释，而且比不稳定方法更有表现力。

Nov, 2023

TGNE是一种创新方法，通过在潜在空间中使用高斯分布的分段线性轨迹将节点嵌入，捕捉结构信息和轨迹的不确定性。结果表明，TGNE在重新构建未观察到的边交互以及建模不确定性方面具有竞争力。

May, 2024