动态图神经网络的分类

动态网络为网络建模和预测增加了新的维度-时间

• 这个新的维度从根本上影响网络属性，使网络数据更强大地表示出来，进而提高使用此类数据的方法的预测能力

1.按不同类型划分网络

1.1按照时间粒度——划分网络：

• Static(静态图)：不关注图中的动态信息，将其作为一张静态图同等处理

• edge weighted(边加权)：动态信息知识作为一张静态图中的节点和边的labels而存在

• discrete（离散时间）：离散表示使用一组有序的图（快照）来表示动态图

  • 在一个连续的时间内，按照时间进行切片，在每一个时间切片内得到一个图，然后对图采用GNN聚合图的信息
  • 对于时间的方式，采用RNN得到时间序列的信息，

• continuous networks（连续时间）：使用确切时间信息来表示动态图

• 静态网络最粗糙，连续表示最精细，随着时间粒度的增加，模型的复杂性也随之增加

• 主要研究：离散时间和连续时间

1.1.1离散表示：DG={ $G^1,G^2,..,G^T$}, T–快照数，在每一个时间间隔内形成一个图

1.1.2连续表示：可分为三种

1. 基于链接持续时间的动态网络的表示 ：

   • EB={(ui,vi,ti,Δiu_i,v_i,t_i,\Delta_iui​,vi​,ti​,Δ