基于神经网络的动态图学习研究综述.docVIP

基于神经网络的动态图学习研究综述

一、动态图学习的问题定义与核心挑战

动态图本质上是拓扑结构与节点属性随时间不断演化的图数据形式，可被形式化定义为序列集合$\mathcal{G}={G_1,G_2,...,G_T}$，其中每个时间步的图$G_t=(V_t,E_t,X_t)$包含节点集合$V_t$、边集合$E_t$与节点属性矩阵$X_t$。相较于静态图学习任务，动态图学习的核心目标是捕捉时间维度上的演化模式，为节点分类、链路预测、异常检测、图生成等下游任务提供时序感知的表征支撑。

动态图的演化特性带来了三个层面的核心挑战：首先是演化模式的异质性，不同节点、不同子图的演化速率与演化规律存在显著差异，例如社交网络中活跃用户的交互频率远高于低频用户，电商网络中爆品相关的交易边会在短时间内爆发式增长，统一的时间建模方式难以适配这种差异化的演化节奏；其次是时序依赖性的长程性，动态图中当前时刻的拓扑变化可能由多个时间步之前的事件触发，比如学术合作网络中两位学者的合作可能源于数年前的共同研究项目，如何有效建模长期时序依赖同时避免梯度消失问题是重要难点；最后是动态性与结构信息的耦合性，拓扑结构的变化与节点属性的更新往往相互影响，节点属性的变化可能引发新的边连接，新的边连接又会进一步影响节点属性的演化，二者的耦合关系给表征学习带来了额外的复杂度。

二、基于神经网络的动态图学习主流范式