用递归神经网络对时态图的邻居进行汇聚，以获取来自每个节点的完整邻居信息，从而提供具有卓越的理论表达能力和在真实应用中的最先进性能，其中在一个真实世界的电子商务数据集上，相比于现有模型的 2 层模型，平均精确度显著提高了 9.6%。
Sep, 2023
该论文提出了一种名为 SUPA 的图神经网络模型，用于解决动态图中邻居干扰和在线学习方面的问题，并在实验中显示其在推荐系统领域表现出色。
May, 2023
本研究提出了一种名为 iLoRE 的新型动态图建模方法，通过引入自适应短期更新模块、长期更新模块和图模块，解决了现有方法中普遍存在的问题，从而实现了对连续时间动态图的有效建模和表示学习。
TASER 是第一个针对准确性、效率和可扩展性进行优化的适用于 TGNNs 的自适应采样方法，通过根据训练动态和过去交互的上下文、结构和时间属性进行微批次选择和邻居选择来提高准确性和训练速度。在五个广受欢迎的数据集上，TASER 的平均平均倒数排名（MRR）比对应的基线高出 2.3％，同时训练时间平均加快 5.1 倍。
Feb, 2024
本文提出了一个新的方法，即使用整个邻域的时间聚合和传播图神经网络 (TAP-GNN)，将时间信息嵌入节点嵌入向量中，取得了比现有的时间图方法更好的预测性能和在线推理延迟。
Apr, 2023
本篇论文介绍了用时间演化图对现实中的网络进行建模，并研究了时间演化图中路径分类问题的应用，设计了一种新颖的深度神经网络 LRGCN 和路径表示方法 SAPE，实验结果表明 LRGCN 在路径预测方面比其他竞争方法更有效，SAPE 在路径表示方面也表现出显著的效果。
May, 2019
本文使用基于图的半监督学习方法对带属性节点进行分类。通过提出图游走的策略，使用强化学习来实现分类器的最大化精度，使得该方法能够灵活应对不同的归纳或传导学习任务，并且在四种数据集上测试结果表明，该方法胜过当前多种方法。
Oct, 2019
我们提出了 TNCN，这是 NCN 的一个时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。我们在五个大规模真实世界数据集上验证了我们的模型，并发现它在其中三个上实现了最新的最先进表现。此外，TNCN 在处理大型数据集上表现出了出色的可扩展性，在速度上超过了流行的 GNN 基线最多 6.4 倍。
Jun, 2024
本论文提出了一种新的神经网络方法，利用动态图表达用户 - 物品关系的演变，以更好地解决基于链接预测的推荐服务问题，实验证明在用户 - 物品关系随时间变化的场景中，该方法可以获得更好的预测结果，同时揭示了现有方法在面对这种变化时的严重影响。
Nov, 2018
本文提出了一种基于多头注意力的动态邻域聚合（DNA）过程，用于图形表示学习，通过选择性和节点自适应聚合来聚合邻域嵌入，以避免过拟合，并控制输入和输出之间的通道连接，通过分组线性投影实现。本方法有效地解决了节点分类问题。
Apr, 2019