处理动态图的图神经网络

汤吉良老师团队发表于2020年的SIGIR

《Streaming Graph Neural Networks》论文阅读笔记

1. 背景：
   图能够很好的表示实际数据（如社交网络，传输网络）。利用神经网络建模图结构数据，学习特征表示，改善图相关任务（如边预测，节点分类）的性能。
2. 已有方法：
   图神经网络（扩展传统的神经网络）用来处理图结构相关的任务。
3. 存在问题：
   已有的图神经网络都是为静态图设计的，不能利用动态图（比如社交网络中新用户加入或者有新的关系时）中的信息（已被证明能够促进各种图分析任务，如社区发现、边预测等，提高推荐的性能）。因此为动态图设计图神经网络是必要的。
4. 挑战：
   （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）。
5. 本文：
   提出DGNN，建模图演化过程中的动态信息。通过获得边（即交互）的序列信息，边之间的时间间隔和信息传播更新节点信息。
6. 具体：
   6.1 更新
   相似的用户在社交网络中更有可能连接，因此要更新交互节点的交互信息