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。
   近期的交互能更好的反映用户的喜好，因此将同一节点产生的交互视为序列，但只存储节点最近期的信息。基于LSTM建模更新部分。
   （1） 交互单元
   从节点信息生成交互信息，作为更新单元的输入。
   
   （2） 更新单元
   S更新单元只更新源节点的信息 + G更新单元只更新目标节点的信息。
   较早的交互更应该被遗忘，近期的交互更应该受到重视。因此在更新时考虑时间间隔。
   （3） 聚合单元
   组合节点的源和目标隐藏状态生成特征。
   对于源节点：
   
   对于目标节点：
   
   
   6.2 传播
   更新两个交互节点。选择当前交互节点的邻居作为受影响的节点。（新连接的影响是局部的；一旦受影响的节点与其他节点交互，信息将进一步传播；跳数越多，性能反而会下降）
   （1） 交互单元
   （2） 传播单元
   与之前不同。
   4种传播：从源节点到源节点邻居（以该节点为源，和目标的邻居集合） + 从源节点到目标节点邻居 + 从目标节点到源节点邻居 + 从目标节点到目标节点邻居。
   
   g是递减函数，时间间隔越大，短期记忆保存得越少。
   h用来过滤较早的邻居：
   
   如果时间间隔太大，信息将停止传播给他的邻居，使传播更有效。
   f是注意函数，获得节点间的连接强度。
   （3） 聚合单元
   
   6.3 参数学习
   首先将两个交互节点的特征映射到交互中相应的角色，然后使用一个基于图的损失函数，批量（保持时间顺序的交互序列）梯度下降算法进行优化，半监督式训练（包括标签和未标签的数据）。

《Dynamic Heterogeneous Graph Embedding Using Hierarchical Attentions》论文阅读笔记

阿里，2020，ECIR.：动态网络特征学习

当前图嵌入的热门方向：不仅学习当前图的结构信息，还能学到图随时间的变化。
阿里提出了基于层次化注意机制的动态图特征算法，在异构变化的图中学习节点特征，是推荐底层算法模型上的突破。
背景：
大多数嵌入方法，如node2vec、GCN、GraphSAGE 和 GAT ，都是针对静态图（假设图不会发生改变），实际中，关系图是会随着时间改变的，如社交网络，电子商务网络。若将这些关系表示在一张图上，不能显式建模用户随时间的兴趣变化。
具体：

构建图：
使用用户的历史行为日志。节点：用户和商品；边：点击，查询，下单。
模型：
主要为三层注意机制，节点层级，边层级，时序层级上的聚合。

（1） 节点层级聚合：
根据边的类型划分成子图，加权聚合子图每个节点及其邻居的信息：

最终得到节点（在某时间针对某种边类型）的特征：

（2） 边层级聚合：
假设一种类型的边只能反映一种语义类型的信息，采用注意层自动学习不同边的重要程度：

加权聚合边类型向量（不同的边类型向量对于节点的贡献不同），最终得到节点的特征：

（3） 时序层级聚合：
按照重要性聚合一系列时间步的节点特征。

其中，