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 G^1,G^2,..,G^T G1,G2,..,GT}, 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
-
基于链接持续时间的动态网络的表示 :
- EB={(
u
i
,
v
i
,
t
i
,
Δ
i
u_i,v_i,t_i,\Delta_i
ui,vi,ti,Δi);i = 1,2,… }
- u i , v i u_i,v_i ui,vi表示发生事件的一对节点, t i t_i ti-发生时间, Δ i \Delta_i Δi-持续时间
- 例:u和v在t时刻发生事件,事件持续事件为 Δ i \Delta_i Δi
- EB={(
u
i
,
v
i
,
t
i
,
Δ
i
u_i,v_i,t_i,\Delta_i
ui,vi,ti,Δi);i = 1,2,… }
-
在接触序列中,链接是瞬时发生的,不存在持续时间,如电子邮件的发送
- EB={( u i , v i , t i u_i,v_i,t_i ui,vi,ti);i = 1,2,… }
- 例:u和v在t时刻发生的事件
-
基于事件的表示,它将链接的出现和链接的消失视为单独的事件
- GS={
e
1
,
e
2
,
.
.
.
e_1,e_2,...
e1,e2,...}
- e i = ( u i , v i , t i , δ i ) e_i = (u_i,v_i,t_i,\delta_i) ei=(ui,vi,ti,δi), δ i \delta_i δi∈{-1,1}表示消失边和出现边
- 例:u在t1时刻关注v,出现了边 δ \delta δ = 1, e 1 = ( u 1 , v 1 , t 1 , 1 ) e_1 = (u_1,v_1,t_1,1) e1=(u1,v1,t1,1)
- 例:u在t2时刻取消关注了v,出现了边 δ \delta δ = -1, e 2 = ( u 2 , v 2 , t 2 , − 1 ) e_2 = (u_2,v_2,t_2,-1) e2=(u2,v2,t2,−1)
- GS={
e
1
,
e
2
,
.
.
.
e_1,e_2,...
e1,e2,...}
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