动态图上的机器学习：应用综述
内容提要
该文综述动态图表示学习的研究进展，涵盖动态知识图谱，按编码器-解码器框架对现有模型分类并分析各类技术，介绍典型应用与常用数据集，指出未来方向；同时涉及图信号处理、矩阵分解、随机游走、深度学习等方法及其应用，讨论动态图监督学习设置与DGNN设计原则，并总结时空信息学习、图生命周期学习及机器人等领域应用。
延伸解读
从编码器-解码器视角理解动态图模型
文章将现有动态图表示学习模型按编码器-解码器框架进行分类，并分析各类技术。这种分类方式有助于读者系统梳理不同模型的设计逻辑：编码器负责将动态图结构映射为低维表示，解码器则用于特定任务。读者可借此对比不同技术在动态知识图谱等场景下的适用性，而非孤立记忆模型名称。
动态图监督学习设置与DGNN设计原则
文章讨论了动态图监督学习的不同设置，并总结了动态图神经网络（DGNN）设计者应遵循的一般指导原则。这意味着在实际构建模型时，需明确监督信号的形式与时间维度，并参考文中归纳的相似性与差异性，避免盲目套用静态图方法。这些原则为动态图学习问题提供了可操作的设计起点。
时空信息与图生命周期学习的关注点
文章涉及时空信息学习以及图生命周期学习方法的分类与未解决问题。这提示读者，动态图不仅包含时间维度上的边序信息，还涉及图结构自身的演化生命周期。理解这两类学习范式的区别与联系，有助于在交通预测、社交网络分析等应用中更准确地建模动态性，并识别现有方法的局限。
Q&A
动态图表示学习综述主要从什么角度对现有模型进行分类？
该综述从编码器-解码器的角度对现有动态图表示学习模型进行描述和分类，并分析了每个类别中采用的技术。
动态图神经网络（DGNN）设计时有哪些一般指导原则？
综述回顾了动态图学习的问题和模型，分析了各种动态图的监督学习设置，确定了现有模型的相似之处和不同之处，并为DGNN设计者提供了面对动态图学习问题时的一般指导原则。
图学习领域有哪几种主要的学习方法？
图学习领域主要包括四种现有学习方法：图信号处理、矩阵分解、随机游走和深度学习。
动态图表示学习有哪些典型应用和常用数据集？
综述回顾了几个显著的应用和广泛使用的数据集，并突出了未来研究方向。具体应用包括动态知识图谱等。
图表示学习在哪些实际领域中具有重要性？
图表示学习在交通预测、社交网络分析、推荐系统、药物研发等应用领域中具有重要性。
将深度学习方法应用于图数据有哪些模型结构？
应用于普适图形数据的深度学习方法包括五类模型结构和训练策略：图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法。
