本文最初发表于 TowardsDataScience 博客，经原作者 Michael Bronstein 授权，InfoQ 中文站翻译并分享。
许多现实世界的问题涉及各种性质的交易网络、社会互动和交往，这些都是动态的，可以将其建模为图，其中，节点和边会随着时间的推移而出现。在本文中，我们将描述时间图网络（Temporal Graph Network，TGN），这是一个用于深度学习动态图的通用框架。
本文是 Michael Bronstein 与 Emanuele Rossi 共同撰写的。
图神经网络的研究已经成为今年机器学习领域 炙手可热的话题之一。最近，图神经网络在生物学、化学、社会科学、物理学和许多其他领域的问题上，取得了一系列成功。到目前为止，图神经网络模型主要是针对静态图而开发的，静态图不会随着时间而改变。然而，许多有趣的现实世界图都是动态的，并且会随着时间的推移而不断变化，突出的例子包括社交网络、金融交易和推荐系统。在许多情况下，正是这种系统的动态行为传达了重要的见解，否则，如果只考虑静态图的话，就会失去这种见解。
Twitter 用户与推文进行交互并相互关注的动态网络。所有边都有时间戳。给定这样的动态图，我们想预测未来的交互，例如，用户会喜欢哪些推文，或者他们会关注谁。
原文链接:【https://www.infoq.cn/article/D2cFv5V8IF8gvZDovq1p】。未经作者许可，禁止转载。