| 模型分类 | 模型 | 时间 | 模型策略 | | 矩阵分解 | DANE[36] | 2017 | 拉普拉斯特征映射捕获t时刻的结构和属性信息,矩阵摄动理论更新动态信息 | | DHPE[38] | 2018 | GSVD分解各时刻Katz矩阵,矩阵摄动理论更新动态信息 | | TRIP[40] | 2015 | 利用图中三角形个数构建特征函数,将特征对矩阵映射成嵌入向量 | | TIMERS[41] | 2017 | SVD最大误差界重启,消除增量更新积累的误差 | | DWSF[45] | 2017 | 将图中有限监督信息合并为标签,并在每次迭代中更新 | | 随机游走 | CTDNE[56] | 2018 | 按照时间顺序对边进行遍历 | | dynnode2vec[57] | 2018 | node2vec初始化快照,对变化点执行随机游走,利用Skip-Gram更新动态信息 | | STWalk[59] | 2017 | 捕捉规定时间窗内节点的变化 | | tNodeEmbed[60] | 2019 | 模仿句子嵌入作为节点嵌入,捕捉节点角色和边的动态变化 | | 自编码器 | DynGEM[78] | 2018 | 提出PropSize动态调节神经元个数,同时引入L1和L2正则化 | | dyngraph2vec[79] | 2019 | 组合AE和LSTM,构建不同的编码器和解码器组合 | | NetWalk[81] | 2018 | 同时最小化节点距离和自编码器重构误差 | | BurstGraph[84] | 2019 | 将动态演化分为一般演化和突发演化,RNN捕捉各时刻的图结构 | | HVGNN[92] | 2021 | 采用基于TGNN的双曲VGAE | | 图神经网络 | DyRep[106] | 2018 | 基于自我传播、外源驱动、局部嵌入传播更新节点表示 | | DySAT[108] | 2020 | 结构注意力提取邻域特征,时间注意力捕捉多个时刻的表示 | | EvolveGCN[110] | 2019 | 在每个时刻使用RNN调整GCN参数 | | DGNN[111] | 2020 | 使用时态信息增强LSTM作为更新框架 | | TemporalGAT[112] | 2020 | 集成GAT和TCN,self-attention应用于邻域,TCN用于动态信息更新 | | 其他 | HTNE[120] | 2018 | Hawkes捕捉过去时刻对当前时刻邻域的影响,Skip-Gram更新动态信息 | | DynamicTriad[122] | 2018 | 通过闭合三元组和开放三元组模拟图的动态演化 | | M2DNE[125] | 2019 | 微观动态描述结构的形成,宏观动态描述规模的演化,利用二者交互生成嵌入 | | CAW[126] | 2021 | 回溯多个时刻的相邻链接编码因果关系,根据特征位置计数编码相应节点标识 |
|