EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs
目录
1、问题描述
问题：以前的动态图模型都是将每一层的节点表示h通过RNN来进行时序建模（节点表示的演化），但是当节点集频繁变化时，这种方法就不太适用了。
解决：将每一层GCNConv的W通过RNN来进行时序建模（GCN权重演化）。
2、EvolveGCN
2.1 EvolveGCN-H（GRU）
2.1.1 GRU更新W（Weight Evolution）
将当前层当前时刻的节点表示H和当前层上一时刻的权重W作为输入，经过GRU得到hidden state，作为新的W：
2.1.2 用更新后的W来做GCNConv
用当前层当前时刻的节点表示H和更新后的W，进行GCNConv，得到下一层的节点表示：
2.2 EvolveGCN-O（LSTM）
2.2.1 LSTM更新W（Weight Evolution）
2.2.2 用更新后的W来做GCNConv
用当前层当前时刻的节点表示H和更新后的W，进行GCNConv，得到下一层的节点表示：
| 问题 | 解释 |
|---|---|
| 什么时候需要用H版本，什么时候需要用O版本？ | 1）节点特征信息比较丰富时，一般用H版本，因为更新W的时候H作为输入2）如果节点特征信息量不大，而图数据结构起着更重要的作用，则O版本侧重于结构的变化，可能更有效 |
3、实验
3.1 数据集
多为比特币和社交网络演化的数据集。
-
Stochastic Block Model（SBM）一种广泛用于模拟群落结构和演化的随机图模型。
-
Bitcoin OTC (BC-OTC)和Bitcoin Alpha (BC-Alpha)可以看做是比特币上的社交网络，对比特币地址间的可信任程度进行打分。
-
UC Irvine messages（UCI）、Autonomous systems（AS）社交网络。
-
Reddit Hyperlink Network（Reddit）是超链接网络。
-
Elliptic是比特币交易网络，节点为交易，边为比特币流动。
3.2 baseline
静态图模型：
- GCN
动态图模型：
- GCN-GRU。也是一个单一的GCN模型，但是它在节点嵌入上与一个GRU协同训练。
- DynGEM
- dyngraph2vec
3.3 评价指标
动态连接预测：
- mean average precision (MAP)
- mean reciprocal rank (MRR)
边分类：
- precision
- recall
- F1
节点分类：
- precision
- recall
- F1
3.4 实验结果
和baseline的比较：
链接预测：
边分类：
节点分类：
