该研究提出了一种新的多聚合器时间扭曲异构图神经网络（MTHGNN），有效捕捉用户偏好的时间动态变化，显著提升短视频推荐效果。

本研究提出TPP-Gaze方法，利用神经时间点过程模型，解决了观察者视觉扫描路径中的时间动态问题。该模型在五个公开数据集上表现优于现有方法，具有重要的应用潜力。

本研究提出了多种基于图卷积网络的交通速度预测模型，成功引入了空间依赖性和时间动态，显著提高了预测精度。新框架如ST-GDN和USTGCN在实验中优于现有模型，展示了深度学习在智能交通中的应用潜力。

提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性。

该研究提出了临时图神经网络（TempGNN）用于捕捉复杂项目转换中的结构和时间动态的通用框架，并通过预测下一步行动来进行会话推荐。实验结果表明，该方法有效且适应性强，在两个真实的电子商务数据集上取得了最先进的性能。

该研究提出了临时图神经网络（TempGNN），用于捕捉复杂项目转换中的结构和时间动态的通用框架。该方法可用于理解用户与项目之间相对较短的正在进行的会话中的交互行为，并通过预测下一步行动来进行会话推荐。实验结果表明，该方法在两个真实的电子商务数据集上取得了最先进的性能。