动态图神经网络——DGNN

定位：连续动态图的图神经网络

优点：

（1） 获得图神经网络的进化结构；
（2） 只要有新的连接就更新节点信息。建立新的连接时需要考虑节点属性（新的交互代表着用户最近的喜好），也会影响节点的属性。
（3） 交互间考虑时间间隔（会影响节点的更新策略，交互信息的传播策略；不仅影响与交互相关的两个节点，还有相近的节点）。

内容：

这个DGNN有两个组件：更新组件和传播组件

1、更新组件（update component）：用于更新每次直接交互的两个点的过程

更新组件的过程

（1）interact unit

看一下update component的第一个步骤就是 interact unit。看一下interact unit输入的是什么信息——它输入的是v2和v5在t7时刻之前的信息进行一个组合。我们可以看一下公式——它就是source节点在t时刻之前的特征加上target节点在t时刻之前的特征加上，分别经过一个全连接层，再加上一个batch，输出的就是e(t).

（2）update unit

再看第二个过程，是update unit。我们输入的节点的cell特征，就是这个节作为source节点的cell 特征， 还有这个节点的hidden 特征 还有这个节点的再上一个输出的e(t), 再经过一个时间间隔delta(t), 我们就更新了这个节点的cell特征和这个节点的hidden特征。

这里要注意的是这个节点可能是source节点和target节点，我们就分成了source update和 target update。 但是这两个部分都是同样的结构，唯一的不同是网络参数的不同。

（3）merge unit

我们进入到第三个组件merge unit，我们看一下merge unit 在做什么。首先我们看一下v2节点。之前我们得到了v2节点作为source和targte得到的cell和hidden 特征，现在我要求v2节点的节点更新。我们将v2节点作为source节点的hidden 特征和v2节点作为target节点的hidden 特征进行聚合，就得到了v2节点在t7时刻的节点更新。我们可以看一下这个更新公式是怎么样的——这边的source节点的hidden 特征和target节点的hidden 特征经过一个Ws和Wg再加上一个batch，就更新了v2节点的特征表示。同理，target节点也用这样的方式去更新。

2、传播组件（propogation component）：用于更新直接交互的两个点的邻居节点的过程

传播组件的过程

（1）interact unit

（2）Prop unit

4种传播：从源节点到源节点邻居（以该节点为源，和目标的邻居集合） + 从源节点到目标节点邻居 + 从目标节点到源节点邻居 + 从目标节点到目标节点邻居。这四种节点都要做更新——

g是递减函数，时间间隔越大，短期记忆保存得越少。
h用来过滤较早的邻居：如果时间间隔太大，信息将停止传播给他的邻居，使传播更有效。

f是注意函数，获得节点间的连接强度。

（3）merge unit