activiti动态增加节点_图神经网络之动态图

图这种结构普遍存在于人类社会生活中，如互联网中网页间的互相链接会构成图、网民购买商品会构成“网民-商品”图、人和人的交流会构成图、论文的互相引用也会构成图。有许多任务需要根据这些图的信息完成，例如根据用户和商品的历史交互，预测一个用户是否会购买一个商品或对它感兴趣；又如根据用户间的好友关系或交流记录，预测用户和用户之间是否构成好友关系。

因为经典的深度学习方法如RNN、CNN等不能直接使用到图这种结构中，最近几年图神经网络（Graph Neural Network）成为了深度学习的研究热点之一。图神经网络在对图中节点之间的依赖关系建模方面的强大功能使得与图分析相关的研究领域取得了重要突破。但这些图神经网络算法如DeepWalk[1]、GCN[2]等大多都是基于静态图（static graph）而不是基于动态图（dynamic graph）的，所以这些算法很多时候没有完整地使用上一个图中的所有信息。

静态图与动态图

一个图G=(V,E)由节点集合V以及边集合E组成，每个节点v∈V有自身的节点属性，每条边e∈E有自身的边属性。静态图指的是图的节点和边都是固定的，不会随时间变化。而实际上在现实世界中，图的节点和边往往都是动态变化的，边会动态增加（用户购买新的商品、用户关注另一个用户），节点会增加（新网页上线、新用户注册），节点的属性会变化（用户的属性会随时间变化）等。基于静态图去解决问题，虽然处理起来更简单，但不符合实际，预测效果也会大打折扣。动态图则认为图中的节点、边都是会动态变化的，会出现节点和边的动态增加、动态减少以及属性的动态变化。虽然动态图更符合实际，但因为要研究的目标是在图上动态变化的，可以想象研究难度会比静态图高不少。随着