综述|73页近百篇参考文献JMLR20动态图上的表示学习

论文 Representation Learning for Dynamic Graphs: A Survey paper

转载 AIGraph 深度学习与图网络 

摘要

图自然出现在许多现实世界的应用程序中，包括社交网络，推荐系统，本体，生物学和计算金融。传统上，用于图的机器学习模型主要是为静态图设计的。但是，许多应用程序涉及不断发展的图。由于节点，属性和边随时间变化，这为学习和推理带来了重要挑战。在此调查中，作者回顾了动态图（包括动态知识图）的表示学习的最新进展。本文从编码器-解码器的角度描述现有模型，基于它们使用的技术对这些编码器和解码器进行分类，并分析每种类别中的方法。本文还回顾一些突出的应用和广泛使用的数据集，并突出说明未来研究的方向。

关键词：图表示学习，动态图知识图嵌入，异构信息网络

结构

这篇文献综述有73页，具体章节的结构如下。

第2节介绍了相关概念，并提供了有关静态/动态图，推理任务和学习技术的背景知识。

第3节概述了静态图的表示学习技术。本部分并不是要进行调查，而是要介绍一些重要概念，这些概念将扩展到动态图。

第4节描述了编码技术，这些技术聚集了时间观测和静态特征，使用时间作为正则化器，执行分解，使用随机游走遍历动态网络以及使用各种类型的过程（例如递归神经网络）对观测序列进行建模。

 

第5节将动态图的解码器分类为时间预测和时间条件的解码器，并对每个类别中的解码器进行调查。
 

 

第6节简要介绍了不符合编码器-解码器框架的其他工作，例如统计关系学习，以及与动态（知识）图有关的主题，例如时空图和从文本构造动态知识图。

 

第7节回顾了具有代表性任务的动态图的重要应用。还提供了静态和时间数据集列表，并提供了它们的属性摘要。

 

 

第8节在调查结束时讨论了一些未解决的问题和可能的研究方向。