Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey.

摘要

目的是提供一篇综述，以揭开动态网络的神秘面纱，介绍动态图神经网络（DGNNs）。

（i）一个全面的动态网络分类，（ii）一个动态图神经网络的调查，（iii）一个动态图神经网络如何用于动态链接预测的概述。

---

简介

---

动态网络

探讨链接的不同定义，并介绍一种新的动态网络分类法。我们还简要概述了动态网络模型样貌，该样貌将调查的其余部分结合起来。

动态网络是随时间变化的复杂网络，其中的链接和节点可能会出现或消失。

数学定义：将V= {(v, ts, te)}和E= {(u, v, ts, te)}都带上开始时间和结束时间。

动态网络表示

按照时间粒度分为四个不同的级别：静态、边缘加权、离散、连续。（模型复杂度、时间粒度从左到右递增）。

静态网络没有时间信息。边加权网络的时间信息作为标签包含在静态网络的边和/或节点上，最直接的例子是一个静态网络，其边缘标记有它们上次活动的时间。离散网络以离散时间间隔表示，这些可以通过网络在不同时间间隔的多个快照来表示。连续网络没有应用于它们的时间聚合，这种表示方式承载了最多的信息，但也是最复杂的。

静态和边加权网络用于建模稳定模式或网络的实际状态，而离散和连续方法用于更动态的建模。

离散表示：离散表示使用一组有序的图（快照）来表示动态图。DG={G1，G2，.......GT}，动态网络分析中也使用了重叠快照（如滑动时间窗口[25]），以减少从一个网络快照到下一个网络快照的根本性变化[26]。离散动态网络不需要表示为一组有序的图，它们也可以表示为多层网络[27]或张量[28]。

连续表示：连续网络表示是唯一具有精确时间信息的表示。这使得它们最为复杂，但也是最具潜力的表现形式。我们涵盖了三种连续表示：（i）基于事件的表示(ii）接触序列；以及（iii）图形流。前两种表示法取自时态网络文献，适用于