动态图算法：EvolveGCN——融合GNN和RNN的离散型动态图神经网络

最新推荐文章于 2025-08-31 04:34:50 发布

我的小星星

最新推荐文章于 2025-08-31 04:34:50 发布

阅读量1.0k

点赞数 1

CC 4.0 BY-SA版权

文章标签：神经网络算法 rnn Python

本文链接：https://blog.youkuaiyun.com/DevScript/article/details/132750912

Python 专栏收录该内容

267 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了EvolveGCN算法，它结合图神经网络GNN和循环神经网络RNN，用于动态图数据的建模。通过详细讲解算法原理并提供Python代码实现，阐述如何利用时空信息捕捉动态图数据中的关系。

动态图算法：EvolveGCN——融合GNN和RNN的离散型动态图神经网络

在图神经网络（Graph Neural Network，GNN）和循环神经网络（Recurrent Neural Network，RNN）领域，EvolveGCN是一种创新的算法，它将GNN和RNN结合在同一层，并利用时间和空间信息进行建模。本文将详细介绍EvolveGCN算法的原理，并提供相应的Python源代码。

EvolveGCN算法的核心思想是结合图数据的动态性质和节点之间的演化过程，从而更好地捕捉图数据中的时空关系。该算法通过将GNN和RNN融合到同一层中，实现了对动态图数据的建模。下面我们将逐步介绍EvolveGCN算法的实现。

首先，我们需要导入所需的Python库：

import torch
import torch.nn as nn
import torch.nn.functional as F

接下来，我们定义EvolveGCN

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

我的小星星

关注关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

2023.2.9，周四【图神经网络 学习记录22】动态图算法之 EvolveGCN：离散型动态GNN网络，将GNN和RNN结合到同一层，结合时间和空间信息进行建模

追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光

02-09

784

【图神经网络 学习记录22】动态图算法之 EvolveGCN：离散型动态GNN网络，将GNN和RNN结合到同一层，结合时间和空间信息进行建模

2023.2.9，周四【图神经网络 学习记录23】动态图算法之 SGNN(DGNN)：更新组件（update component），传播组件（propagation component）

追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光

02-09

798

【图神经网络 学习记录23】动态图算法之 SGNN(DGNN)：更新组件（update component），传播组件（propagation component）

参与评论您还未登录，请先登录后发表或查看评论

2023/4/2周报

gldzkjdxwzs的博客

04-02

330

GNN和RNN、脑细胞自动机

时序图循环_【知识图谱系列】动态时序知识图谱EvolveGCN

weixin_39863161的博客

12-17

1665

EvolveGCN (AAAI 2020) 分享EvolveGCN汇报ppt版可通过关注公众号机器学习与自然语言处理mp.weixin.qq.com回复关键词：EvolveGCN 来获得，供学习者使用！一、背景知识在上一篇CompGCN中讲解了异质知识图谱在处理复杂实体间多关系类型的方案。本篇分享知识图谱落地时另一重要场景：动态时序知识图谱，下面先给出动态时序知识图谱的基本概念，方便还不熟悉的同...

Luminal图神经网络：异构图与动态图处理

最新发布

gitblog_00822的博客

08-31

679

在当今的AI应用中，图数据无处不在——从社交网络、推荐系统到知识图谱和分子结构分析。然而，传统的图神经网络（GNN）框架往往面临两大核心挑战： 1. **异构图（Heterogeneous Graph）**：现实世界中的图通常包含多种节点类型和边类型，每种类型都有不同的特征和语义含义 2. **动态图（Dynamic Graph）**：图结构随时间演化，节点和边会动态添加或删除 Luminal...

动态图神经网络——DGNN

m0_60418647的博客

09-05

4637

DGNN优点——（1）获得图神经网络的进化结构；（2）只要有新的连接就更新节点信息。建立新的连接时需要考虑节点属性（新的交互代表着用户最近的喜好），也会影响节点的属性。（3）交互间考虑时间间隔（会影响节点的更新策略，交互信息的传播策略；不仅影响与交互相关的两个节点，还有相近的节点）。

处理动态图的图神经网络

weixin_44760744的博客

12-07

6107

汤吉良老师团队发表于2020年的SIGIR 《Streaming Graph Neural Networks》论文阅读笔记背景：图能够很好的表示实际数据（如社交网络，传输网络）。利用神经网络建模图结构数据，学习特征表示，改善图相关任务（如边预测，节点分类）的性能。已有方法：图神经网络（扩展传统的神经网络）用来处理图结构相关的任务。存在问题：已有的图神经网络都是为静态图设计的，不能利用动态图（比如社交网络中新用户加入或者有新的关系时）中的信息（已被证明能够促进各种图分析任务，如社区发现、边预测等

探索EvolveGCN：IBM的动态图神经网络框架

gitblog_00005的博客

04-18

443

探索EvolveGCN：IBM的动态图神经网络框架 EvolveGCN项目地址:https://gitcode.com/gh_mirrors/ev/EvolveGCN 是由IBM开发的一个深度学习框架，专门用于处理随时间演变的图数据。它结合了图卷积网络（Graph Convolutional Networks, GCNs）和递归神经网络（Recurrent Neural Networks, RN...

EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs

Milkha的博客

03-01

2325

文章目录1 前言2 问题定义3 EvolveGCN思路4 方法的优势与局限性4.1 优势4.2 局限性论文地址：https://arxiv.org/pdf/1902.10191 来源：AAAI, 2020 源码地址：EvolveGCN 关键词：Dynamic Graphs, GCN 1 前言该论文解决的是不断进化（evolve）的graph的表征问题。以往的方法主要将结点的表征通过RNN来学习不断进化的graph，这种方法在学习表征时需要知道结点在所有时间区间上的变化（相当于是transductiv

2023.2.8，周三【图神经网络 学习记录21】动态图分类（重点以离散网络和连续型网络为例）；DySAT算法：快照，结构Self-Attention构造，时域Self-Attention的计算

追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光

02-08

620

【图神经网络 学习记录21】动态图分类（重点以离散网络和连续型网络为例）；DySAT算法：快照，结构Self-Attention构造，时域Self-Attention的计算

人工智能：CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的知识梳理

JustinMars的博客

10-24

9471

CNN 主要用于处理图像数据，RNN 用于处理序列数据，而 DNN 是一个通用的深度神经网络架构，可以应用于各种不同类型的数据。这些神经网络架构也可以结合使用，以解决复杂的多模态问题。

动态图神经网络

weixin_44370695的博客

06-21

1566

我们提出的方法可以有效地通过发现和处理动态图中的时空分布变化充分利用不变的时空格局。最后，我们提出了一个不变性正则化项来最小化干预分布中预测的方差，这样我们的模型就可以基于不变模式的预测，具有稳定的预测能力，因此可以处理分布变化。在三个真实世界的数据集上做实验。在本文中，我们建议处理动态图时空分布的发现与利用不变模式，即预测能力稳定的结构和特征这面临着两个关键的挑战:1)如何发现动态图中复杂的变化与不变的时空模式同时涉及时变图结构和节点特征。我们的工作是对时空的首次研究，据我们所知，分布在动态图形中变化。

【亲测免费】 EvolveGCN 项目使用教程

gitblog_00685的博客

08-16

578

EvolveGCN 项目的目录结构如下： ``` EvolveGCN/ ├── data/ │ └── README.md ├── models/ │ └── README.md ├── utils/ │ └── README.md ├── README.md ├── LICENSE ├── requirements.txt └── setup.py ``` ### 目录介绍 -...

文献阅读（25）AAAI2020-EvolveGCN：Evolving Graph Convolutional Networks for Dynamic Graph

优快云TianJi的博客

09-21

3458

本文是对《EvolveGCN：Evolving Graph Convolutional Networks for Dynamic Graph》一文的浅显翻译与理解，如有侵权即刻删除。

【论文导读】- EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs（EvolveGCN：用于动态图的演化图卷积网络）

1+1=王的博客

02-23

6355

由于深度学习在欧几里得数据上的广泛应用，图表示学习重新成为一个热门的研究课题，它激发了非欧几里得领域神经网络，特别是图的各种创造性设计。随着这些图神经网络( Graph Neural Networks，GNN )在静态环境下的成功，我们进一步逼近了图动态演化的实际场景。现有方法通常借助节点嵌入，并使用循环神经网络( RNN ,广义上讲)来调节嵌入和学习时间动态。这些方法需要节点在全时间跨度(包括训练和测试两部分)内的知识，对于节点集频繁变化的情况适用性较差。

【未完】【GNN笔记】EvolveGCN:Evolving Graph Convolutional Networks for Dynamics Graphs

panbaoran913的博客

05-16

1107

Q:在前面提到，EvolveGCN在每一层将GNN和RNN结合在同一层。A：普通GCN的公式如下图所示，EvolveGCN的公式与之相同。当下默认args.model=‘egcn_o’，查看其他变量。如果节点信息⽐较少，-O效果好，因为他更关系图结构的变化。如果节点有信息，-H效果要好，因为考虑了节点的特征变化。,因此会存在数据维度不同的情况，因此设定了一个。采用快照的方法构图，同DySAT一样。Q:同一时刻数据在不同层如何计算？Q:在同一层不同时刻如何计算？第一次初始化，如下图。整体过程：如下图所示。

【图计算算法‌】基于动态图的图计算算法‌

大雨的博客

09-23

1492

动态图的图计算算法主要关注于处理随时间变化的图结构数据。这类算法在社交网络分析、生物信息学、交通网络以及推荐系统等领域有着广泛的应用。动态图算法需要能够适应图结构的变化，如边的增加、删除或权重的改变，并且能够高效地更新计算结果。

经典算法动态图

buyue

12-31

428

https://blog.youkuaiyun.com/moonlightpeng/article/details/87908099

[技术分享]神经网络中的动态图

Andytl的博客

10-07

1220

Paddle2中支持动态图，动态图是指神经网络的结构可以动态变化，build with run，类似于Python语言中变量不需要定义好类型就可以赋值。这样带来的好处是使得网络更加灵活，更具运行的情况来调整数据流走向，确定就是运行比较慢，这和Python的缺点一样。参考一、参考二。例如： import paddle import paddle.nn.functional as F import numpy as np class MyModel(paddle.nn.Layer): def __

R语言GNN+RNN预测气温代码

05-29

以下是一个使用R语言中的GNN和RNN模型来预测气温的示例代码： ```R #加载所需的库 library(keras) library(tensorflow) library(tidyverse) #设置随机数生成器的种子，以确保结果可重复 set.seed(123) #读取气温数据 temp_data <- read_csv("temp_data.csv") #对数据进行预处理 temp_data <- temp_data %>% mutate(date = as.Date(date), year = lubridate::year(date), month = lubridate::month(date), day = lubridate::day(date), temp = (temp - mean(temp)) / sd(temp)) %>% select(year, month, day, temp) #将数据集划分为训练集和测试集 train_data <- temp_data %>% filter(year < 2010) test_data <- temp_data %>% filter(year >= 2010) #创建训练集和测试集的特征和响应变量 train_features <- train_data %>% select(-temp) %>% as.matrix() train_response <- train_data %>% select(temp) %>% as.matrix() test_features <- test_data %>% select(-temp) %>% as.matrix() test_response <- test_data %>% select(temp) %>% as.matrix() #定义GNN模型 gnn_model <- keras_model_sequential() %>% layer_dense(units = 128, activation = "relu", input_shape = c(3)) %>% layer_dense(units = 128, activation = "relu") %>% layer_global_average_pooling_1d() %>% layer_dense(units = 1) #定义RNN模型 rnn_model <- keras_model_sequential() %>% layer_lstm(units = 128, input_shape = c(1, 3)) %>% layer_dense(units = 1) #将GNN和RNN模型连接起来 input_layer <- layer_input(shape = c(1, 3)) gnn_output <- gnn_model(input_layer[, 1, ]) rnn_output <- rnn_model(input_layer) merged_layer <- layer_concatenate(list(gnn_output, rnn_output)) output_layer <- layer_dense(units = 1)(merged_layer) final_model <- keras_model(inputs = input_layer, outputs = output_layer) #编译模型 final_model %>% compile( loss = "mse", optimizer = optimizer_adam(lr = 0.001) ) #训练模型 final_model %>% fit( x = array(train_features, dim = c(nrow(train_features), 1, ncol(train_features))), y = train_response, epochs = 100, batch_size = 32, validation_split = 0.2 ) #在测试集上进行预测 test_predictions <- final_model %>% predict( x = array(test_features, dim = c(nrow(test_features), 1, ncol(test_features))) ) #计算误差 mean((test_predictions - test_response)^2) ``` 其中，`temp_data.csv`是包含日期和温度数据的CSV文件。该代码中使用了GNN和RNN模型，并将它们连接起来来进行气温预测。请注意，这只是一个示例代码，实际的应用中可能需要对模型进行更多的调整和优化。