动态网络为网络建模和预测增加了一个新维度 – 时间

• 这个新维度从根本上影响网络属性，使网络数据能够更稳健地表示，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
  
• 静态网络是最粗的，连续的表示是最好的，随着时间粒度的增加，模型的复杂度也会增加
  
• 主要研究：离散时间与连续时间
  

1.1.1离散表示：DG={}, 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. 基于链路持续时间的动态网络表示：
   
2. EB={()；i = 1，2，… }
   
3. 表示事件发生的一对节点，-发生时间，-持续时间
   
4. 例：u和v在t时刻发生事件，事件持续事件为
   
5. 在联系序列中，链接是即时发生的，没有持续时间，例如发送电子邮件
   
6. EB={()；i = 1，2，… }
   
7. 例：u和v在t时刻发生的事件
   
8. 基于事件的表示，将链接的出现和链接的消失视为单独的事件
   
9. GS={ }
   
10. , ∈{-1,1}表示消失边和出现边
    
11. 例：u在t1时刻关注v，出现了边= 1，
    
12. 例：u在t2时刻取消关注了v，出现了边= -1，
    

1.2按照链接持续时间——划分网络

• Interaction networks：接触型时间网络，其中的链接是瞬时时间。如电子邮件的发送
  
• Temporal networks：时序网络，边有一定的持续时间，但比较短。比如社交网络中，人与人的交谈
  
• Evolving networks：演化型网络，链接持续存在的时间如此长，比如雇佣关系
  
• Strictly evolving networks：严格的演化型网络，链接出现后就会一直出现，比如引文网络
  

1.3按照节点动态——划分网络

• static：节点数量在一段时间内保持不变
  
• Dynamic：节点可能出现和消失
  

2动态图网络算法

• 离散网络
  
• Stacked DGNNs（堆叠DGNN） 单独的GNN处理图的每个快照，并将每个GNN输出到RNN模型中进行时序的处理
  
• Integrated DGNNs（集成DGNN）将gnn和rnn结合在一层，从而结合空间和时间信息的建模。
  
• 连续网络
  
• 基于RNN的方法
  
• 基于点过程的方法