GAN理论：

 1.GAN基本介绍

 GAN在更新1号节点的信息时，根据其相邻节点的特征对其重要程度的大小，设置不同权重值，对1号节点进行更新。hi和hj先乘以W权重参数进行特征映射，然后将这两个节点进行相似度计算（相乘），在利用attention（函数）计算，得出j节点对节点的注意力值大小。 计算attention有不同的方法。

2.计算注意力机制的不同方法

 先利用权重参数矩阵，将其进行特征映射，映射成(16*1)的向量，再乘以【16*1】的全连接层，将其变为一个权重值。

 注意力机制本质是加在邻阶矩阵上的，对邻阶矩阵进行加权，masked attention用来只对对应位置上的邻阶矩阵进行加权操作，例如1-3 之间的注意力值加在邻阶矩阵中对应1-3位置上。 

 每个节点的权重值，都是将其相邻节点的加上权重值后，进行求和更新该节点的信息。

3.TCN（T-GNN）

 图在 每时每刻发什么变化，包括每个节点和图的结构，因此必须考虑到不同时刻图之间的关联。

 

 

 

 

 

TGNN核心思想：首先通过GNN对图进行重构，在通过RNN将不同时刻的图进行关联。