动态图神经网络综述：术语统一与模型探讨

本文是一篇深入的综述文章，名为《【GNN综述_2020_4】Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey》。该文章聚焦于动态网络的理论基础和使用动态图神经网络进行建模的研究。动态网络在众多领域如社交网络分析、推荐系统和流行病学中扮演着关键角色，它们通过捕捉网络结构随时间的变化，提供了更为全面的分析视角。 由于动态网络涉及多个学科，使用的术语和定义可能存在不一致性，这使得研究者在探索时面临挑战。文章作者认识到这一点，首先致力于构建一套统一且详尽的动态网络术语体系，以消除术语歧义。这样做是为了提供一个标准化的框架，以便后续研究能够有效地交流和理解动态网络的特性。 随后，文章对动态图神经网络模型进行了详尽的调查。图神经网络（GNN）作为一种强大的工具，在静态网络任务中表现突出，特别是在链接预测和节点分类等领域。然而，对于如何在动态网络环境中有效应用GNN，这篇文章提供了深入的探讨和分析。作者详细介绍了动态图的概念，强调了它们与静态网络的区别，即动态网络的结构和算法特性独特，不能简单地视为静态网络的扩展。 文章的调查分为两部分，第一部分主要介绍动态网络的基础概念和模型，而第二部分则集中于动态图神经网络模型的特性和应用，包括其在处理时间依赖数据方面的优势和可能的局限性。关键词如动态网络模型、图神经网络、链接预测和时间网络，进一步突出了文章的核心内容。 这篇综述旨在填补动态图神经网络研究的空白，为相关领域的研究者提供了一个清晰的指导框架，帮助他们理解和开发适用于动态网络环境的高效算法。通过整合和梳理现有知识，作者期望推动动态网络研究的进一步发展，尤其是在实际应用中的性能提升和问题解决。