本文介绍了连续时间图反对称网络（CTAN）及其在长程依赖任务中的优越性能，提出了组合动态虚拟时空图映射方法（CDVGM），以解决深度学习在时间序列预测中的局限性。此外，研究展示了基于张量图卷积网络的动态图表示学习模型和空间-时间联合表示学习方法（ST-GraphRL），在多个真实数据集上取得了先进性能，尤其在有限历史数据情况下表现突出。

De Bruijn 图神经网络是一种新型的时态图神经网络架构，利用高阶 De Bruijn 图进行信息传递，优化图拓扑结构以提取时间-拓扑模式。研究还提出了 DAGNN、GBP 和 BGNN 等改进模型，展示了在动态图表示学习中的有效性和计算效率。这些模型通过创新设计解决了 GNN 的局限性，为未来研究提供了方向。

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。