本文最初發表於 TowardsDataScience 博客，經原作者 Michael Bronstein 授權，InfoQ 中文站翻譯並分享。
許多現實世界的問題涉及各種性質的交易網絡、社會互動和交往，這些都是動態的，可以將其建模爲圖，其中，節點和邊會隨着時間的推移而出現。在本文中，我們將描述時間圖網絡（Temporal Graph Network，TGN），這是一個用於深度學習動態圖的通用框架。
本文是 Michael Bronstein 與 Emanuele Rossi 共同撰寫的。
圖神經網絡的研究已經成爲今年機器學習領域 炙手可熱的話題之一。最近，圖神經網絡在生物學、化學、社會科學、物理學和許多其他領域的問題上，取得了一系列成功。到目前爲止，圖神經網絡模型主要是針對靜態圖而開發的，靜態圖不會隨着時間而改變。然而，許多有趣的現實世界圖都是動態的，並且會隨着時間的推移而不斷變化，突出的例子包括社交網絡、金融交易和推薦系統。在許多情況下，正是這種系統的動態行爲傳達了重要的見解，否則，如果只考慮靜態圖的話，就會失去這種見解。
Twitter 用戶與推文進行交互並相互關注的動態網絡。所有邊都有時間戳。給定這樣的動態圖，我們想預測未來的交互，例如，用戶會喜歡哪些推文，或者他們會關注誰。
原文鏈接:【https://www.infoq.cn/article/D2cFv5V8IF8gvZDovq1p】。未經作者許可，禁止轉載。