令人惊叹的动态图学习

关于动态（时序）图（网络/知识图谱）及其应用（即推荐系统）的机器学习（深度学习）优秀论文（代码）集合。

综述

• 动态图上的深度学习：模型与基准测试（TNNLS, 2024）[论文][代码]
• 时序图上的图神经网络：现状、开放挑战与机遇（ARXIV, 2023）[论文]
• 针对不同图类型的图神经网络综述（ARXIV, 2022）[论文]
• 动态图表示学习综述（JMLR, 2020）[论文]
• 动态图嵌入综述（ARXIV, 2021）[论文]
• 动态（知识）图上的关系表示学习综述（ARXIV, 2019）[论文]
• 非线性 + 网络：2020年的愿景（ARXIV, 2019）[论文]
• 时序网络（Physics Report, 2012）[论文]

论文

2025年

• 通过可学习变换函数重新思考时间编码（ICML, 2025）[论文][代码]
• 具有相关时空位置编码的动态图Transformer（WSDM, 2025）[论文][代码]

2024

• 连续时间动态图上的长程传播 (ICML, 2024) [论文][代码]
• LLM4DyG：大型语言模型能否解决动态图上的时空问题？(SIGKDD, 2024) [论文][代码]
• 面向自适应邻域的时序交互图建模研究 (SIGKDD, 2024) [论文]
• SLADE：基于自监督学习的无标签边流动态异常检测 (SIGKDD, 2024) [论文][代码]
• 基于双曲空间骨架识别的复杂网络长期动态预测 (SIGKDD, 2024) [代码]
• 基于潜在条件扩散的连续时间动态图模型数据增强 (SIGKDD, 2024) [论文][代码]
• MemMap：用于动态图学习的自适应潜在记忆结构 (SIGKDD, 2024)
• TASER：面向快速准确的动态图表示学习的时序自适应采样方法 (IPDPS, 2024) [论文][代码]
• Mayfly：用于图流摘要的神经数据结构 (ICLR, 2024, Spotlight) [论文]
• 受因果启发的动态图神经网络时空解释方法 (ICLR, 2024, Poster) [论文][代码]
• FreeDyG：面向链接预测的频率增强型连续时间动态图模型 (ICLR, 2024, Poster) [论文][代码]
• PRES：迈向可扩展的基于内存的动态图神经网络 (ICLR, 2024, Poster) [论文][代码]
• 超图动态系统 (ICLR, 2024, Poster) [论文]
• 深度时序图聚类 (ICLR, 2024, Poster) [论文][代码]
• GraphPulse：用于时序图属性预测的拓扑表示方法 (ICLR, 2024, Poster) [论文][代码]
• 超越时空表示：面向时序图的进化傅里叶变换 (ICLR, 2024, Poster) [论文][代码]
• HOPE：高阶图微分方程用于建模交互动力学 (ICML, 2024, Poster) [论文]
• 演化图中的时序泛化能力估计 (ICLR, 2024, Poster) [论文]
• 动态图信息瓶颈理论 (WWW, 2024) [论文][代码]
• 简单Transformer在动态图建模中的可行性研究 (WWW, 2024) [论文]
• 基于时序一致性感知的霍克斯图网络推荐系统 (WWW, 2024)
• IME：融合多曲率共享与特定嵌入的时序知识图谱补全方法 (WWW, 2024)
• TATKC：用于快速近似时序卡茨中心性排序的时序图神经网络 (WWW, 2024)
• 针对时序图的有效精确及近似介数中心性计算方法 (WWW, 2024)
• 不规则采样时间序列的时序图微分方程模型 (IJCAI, 2024) [论文][代码]
• 大型语言模型引导的时序知识图谱推理动态适应方法 (NeurIPS 2024 提交) [论文][代码]
• 连续时间时序溯源图中的异常检测 (NeurIPS 2023 时序图学习研讨会) [论文][代码]

2023年

• 面对分布偏移的动态图谱不变量学习（NeurIPS，2023）[论文][代码]
• DistTGL：基于分布式内存的时序图神经网络训练（SC，2023）[论文][代码]
• 向更优的动态图学习迈进：新架构与统一库（ARXIV，2023）[论文][代码]
• SUREL+：从游走走向集合，实现可扩展的子图基图表示学习（ARXIV，2023）[论文][代码]
• 走向开放的时序图神经网络（ICLR，2023）[论文][代码]
• 我们真的需要复杂的时序网络模型架构吗？（ICLR，2023）[论文][代码]
• Zebra：当时序图神经网络遇上时间感知个性化PageRank（VLDB，2023）[论文][代码]
• Temporal SIR-GN：高效且有效的时序图结构表示学习（VLDB，2023）[论文][代码]
• SEIGN：一种简单高效的大型动态图神经网络（ICDE，2023）[论文]
• 用于演化网络的高阶时间H指数（KDD，2023）[论文]
• 利用模体转移进行时序图生成（KDD，2023）[论文]
• 针对离散时间图模型的时间动态感知对抗攻击（KDD，2023）[论文][代码]
• 动态网络中面向多个分析目标的公平性感知连续预测（KDD，2023）[论文]
• DyTed：面向离散时间动态图的解耦表示学习（KDD，2023）[论文]
• WinGNN：具有随机梯度聚合窗口的动态图神经网络（KDD，2023）
• 基于社区的动态图学习用于热度预测（KDD，2023）
• 一种注意力多尺度协同演化模型用于动态链接预测（WWW，2023）[论文][代码]
• TIGER：带重启机制的时间交互图嵌入（WWW，2023）[论文][代码]
• HGWaveNet：用于时间链接预测的双曲图神经网络（WWW，2023）[论文][代码]
• 针对时序图中链接排序的富有表现力且高效的表示学习（WWW，2023）[论文][代码]
• 局部边动态与观点极化（WSDM，2023）[论文][代码]
• 用于动态稀疏图链接预测的图序列神经ODE过程（WSDM，2023）[论文][代码]
• 基于时序异质图的可解释性研究兴趣变化检测（WSDM，2023）[论文]
• 动态异质图注意力神经架构搜索（AAAI，2023）[论文][代码]
• 通过脉冲神经网络扩展动态图表示学习（AAAI，2023）[论文][代码]
• 隐马尔可夫模型用于时序图表示学习（ESANN，2023）[论文][代码]

2022年

• TGL：用于亿级图的时序图神经网络训练通用框架（VLDB，2022）[论文][代码]
• 神经时序游走：连续时间动态图上的基元感知表示学习（NeurIPS，2022）[论文][代码]
• 面向时空分布漂移的动态图神经网络（NeurIPS，2022）[论文][代码]
• 时序图上的自适应数据增强（NeurIPS，2022）[论文]
• 用于链接预测的无参数动态图嵌入（NeurIPS，2022）[论文][代码]
• 面向动态图的即时图神经网络（KDD，2022）[论文][代码]
• 用于阿片类药物过量预测的解耦动态异质图学习（KDD，2022）[论文][代码]
• ROLAND：面向动态图的图学习框架（KDD，2022）[论文][代码]
• 大型动态图上的子集节点异常跟踪（KDD，2022）[论文][代码]
• 基于生成式回放的流式图神经网络（KDD，2022）[论文][代码]
• 邻域感知的可扩展时序网络表示学习（LoG，2022）[论文][代码]
• DisenCTR：基于动态图的解耦表示用于点击率预测（SIGIR，2022）[论文][代码]
• STAM：一种用于图神经网络推荐的时空聚合方法（WWW，2022）[论文][代码]
• 神经网络预测时序网络中的高阶模式（WWW，2022）[论文][代码]
• TREND：用于图表示学习的时序事件与节点动态（WWW，2022）[论文][代码]
• 基于病毒式营销的在线社交网络观点演化模型（WWW，2022）[论文]
• EvoKG：联合建模事件时间和网络结构以进行时序知识图谱推理（WSDM，2022）[论文][代码]
• 在动态图中寻找简洁、精确且完备的近双团集合（WSDM，2022）[论文][代码]
• 动态网络中的少样本链接预测（WSDM，2022）[论文]
• 关于将静态节点嵌入推广到动态场景的研究（WSDM，2022）[论文]
• 沿着时间轴：用于时序知识图谱补全的时间线追踪嵌入（CIKM，2022）[论文][代码]
• DA-Net：用于时序知识图谱推理的分布式注意力网络（CIKM，2022）[论文]
• 具有时变曲率的自监督黎曼图神经网络用于时序图学习（CIKM，2022）[论文]
• 用于协同过滤的动态超图学习（CIKM，2022）[论文]

2021年

• 基于因果匿名游走的时序网络归纳式表示学习 (ICLR, 2021) [论文][代码]
• 用于学习相互作用系统动力学的耦合图微分方程 (KDD, 2021) [论文][代码]
• 大型动态图上的子集节点表示学习 (KDD, 2021) [论文][代码]
• 基于双曲空间中隐式层次学习的离散时间时序网络嵌入 [论文][代码]
• 为时序知识图谱补全而学习跨时间游走 (KDD, 2021) [论文]
• 时序图上交互顺序的预测 (KDD, 2021)
• 基于演化表示学习的时序知识图谱推理 (SIGIR, 2021) [论文][代码]
• 基于邻域与社区影响力挖掘的时序网络归纳式表示学习 (SIGIR, 2021)
• TIE：基于嵌入的增量式时序知识图谱补全框架 [论文]
• SDG：一种简化且动态的图神经网络 (SIGIR SHORT, 2021) [论文][代码]
• 用于会话推荐的时序增强图神经网络 (SIGIR SHORT, 2021) [论文]
• HINTS：通过动态异质信息网络嵌入预测新发表文献的引用时间序列 (WWW, 2021) [论文][代码]
• TEDIC：动态社交交互网络中行为模式的神经建模 (WWW, 2021) [论文]
• 用于建模动态图的双曲变分图神经网络 (AAAI, 2021) [论文]
• 基于循环图神经网络的动态图可解释聚类 (AAAI, 2021) [论文][代码]
• 利用经验回放克服图神经网络中的灾难性遗忘 (AAAI, 2021) [论文]
• 动态异质信息网络上的节点嵌入学习与更新 (WSDM, 2021) [论文]
• F-FADE：用于边流异常检测的频率因子分解 (WSDM, 2021) [论文][代码]
• 面向动态图的基于缓存的图神经网络系统 (CIKM 2021) [[论文]]
• 动态图上的自监督表示学习 (CIKM 2021) [[论文]]
• 基于时序图协作Transformer的连续时间序列推荐 [论文][代码]
• 用于动态图异常检测的结构化时序图神经网络 (CIKM 2021) [论文]
• 时序网络中高阶模式（基元）的神经预测 (ARXIV, 2021) [论文]

2020年

• 时间图上的归纳表示学习 (ICLR, 2020) [论文][代码]
• 用于动态图深度学习的时间图网络 (ICML Workshop, 2020) [论文][代码]
• 面向 temporal interaction networks 的数据驱动图生成模型 (KDD, 2020) [论文][代码]
• 基于动态知识图谱的多事件预测 (KDD, 2020) [论文][代码]
• 动态图的拉普拉斯变化点检测 (KDD, 2020) [论文][代码]
• 时间介数的算法方面 (KDD, 2020) [论文][代码]
• 异构图Transformer (WWW, 2020) [论文][代码]
• 流式图神经网络 (SIGIR, 2020) [论文][代码]
• 基于序列超图的下一项推荐 (SIGIR, 2020) [论文][代码]
• 具有高阶非线性信息的时间网络嵌入 (AAAI, 2020) [论文]
• 保持基元结构的时间网络嵌入 (IJCAI, 2020) [论文]
• 动态图协同过滤 (ICDM, 2020) [论文][代码]
• DySAT：通过自注意力网络在动态图上进行深度神经表示学习 (WSDM, 2020) [论文][代码]
• 在动态异构信息网络上学习和更新节点嵌入 (WSDM, 2020) [论文][代码]
• 通过神经交互过程进行连续时间动态图学习 (CIKM, 2020) [论文]
• tdGraphEmbed：时间动态图级别的嵌入 (CIKM, 2020) [论文][代码]
• 通过持续学习的流式图神经网络 (CIKM, 2020) [论文][代码]
• 基于解耦的持续图表示学习 (EMNLP, 2020) [论文][代码]
• TeMP：用于时间知识图谱补全的时间消息传递 (EMNLP, 2020) [论文][代码]
• 回归事件网络：时间知识图谱上的自回归结构推断 (EMNLP, 2020) [论文][代码]
• EPNE：进化模式保持网络嵌入 (ECAI, 2020) [论文]
• GloDyNE：全局拓扑保持的动态网络嵌入 (TKDE, 2020) [论文][代码]
• 基于元路径邻近性的动态异构信息网络嵌入 (TKDE, 2020) [论文][代码]
• 终身图学习 (ARXIV, 2020) [论文]

2019年

• 变分图循环神经网络 (NeurIPS, 2019) [论文][代码]
• 循环时空图神经网络 (NeurIPS, 2019) [论文][代码]
• DyRep：在动态图上学习表示 (ICLR, 2019) [论文]
• 预测 temporal interaction networks 中的动态嵌入轨迹 (KDD, 2019) [论文][代码]
• 学习动态上下文图以预测社交事件 (KDD, 2019) [论文][代码]
• EvolveGCN：面向动态图的演化图卷积网络 (AAAI, 2019) [论文][代码]
• 用于动态推荐系统的层次化时间卷积网络 (WWW, 2019) [论文]
• 通过局部动作进行实时流式图嵌入 (WWW, 2019) [论文]
• 动态超图神经网络 (IJCAI, 2019) [论文][代码]
• 时间图上的节点嵌入 (IJCAI, 2019) [论文][代码]
• 具有微观和宏观动态的时间网络嵌入 (CIKM, 2019) [论文][代码]

2018年

• NetWalk：一种用于动态网络异常检测的灵活深度嵌入方法（KDD，2018）[论文][代码]
• 基于邻居结构的时序网络嵌入（KDD，2018）[论文][代码]
• 通过建模三元闭包过程的动态网络嵌入（AAAI，2018）[论文][代码]
• 连续时间动态网络嵌入（WWW，2018）[论文][代码]
• 动态网络嵌入：一种基于Skip-gram的网络嵌入扩展方法（IJCAI，2018）[论文]

2017年

• Know-Evolve：面向动态知识图谱的深度时序推理（ICML，2017）[论文][代码]
• 用于社会网络演化与观点迁移的共演化模型（KDD，2017）[论文[代码]
• 用于动态环境学习的属性化网络嵌入（CIKM，2017）[论文][代码]

工具

通用图学习

• Deep Graph Library
• PyTorch Geometric
• PyTorch Geometric Temporal
• Stellar Graph
• GraphVite

知识图谱

• DGL-KE
• OpenKE

推荐系统

• RecBole

Awesome-DynamicGraphLearning 快速上手指南

Awesome-DynamicGraphLearning 并非一个单一的 Python 库或框架，而是一个精选资源列表，汇集了动态图（时序图）学习领域的顶级论文、综述及对应的开源代码实现。本指南将帮助你快速利用该列表找到适合的工具并运行示例。

环境准备

由于列表中包含多个独立的开源项目，环境需求取决于你选择的具体模型（如 DyGLib, GraphMixer, LLM4DyG 等）。以下是通用的基础环境要求：

• 操作系统: Linux (推荐 Ubuntu 20.04+), macOS, 或 Windows (WSL2 推荐)
• Python 版本: 3.8 - 3.10 (大多数图深度学习项目在此范围兼容最好)
• 核心依赖:
  • PyTorch >= 1.9.0
  • CUDA (如需 GPU 加速，建议版本 11.1+)
  • Git
• 常用辅助库: numpy, pandas, scikit-learn, networkx

提示：建议在开始之前创建一个独立的虚拟环境（如使用 conda 或 venv），以避免不同项目间的依赖冲突。

安装步骤

由于这是一个资源索引，你需要先克隆仓库浏览列表，然后针对感兴趣的具体项目进行安装。

1. 获取资源列表

克隆主仓库以查看最新的论文和代码链接：

git clone https://github.com/your-target-repo/Awesome-DynamicGraphLearning.git
cd Awesome-DynamicGraphLearning

(注：请替换为实际的仓库地址，此处基于通用开源习惯)

2. 选择并安装具体项目

在 README 的 "Papers" 部分找到你需要的模型（例如 2023 年的统一库 DyGLib 或 GraphMixer），点击其 [code] 链接进入对应仓库。

以 DyGLib (一个统一的动态图学习库) 为例，安装步骤如下：

# 克隆具体项目代码
git clone https://github.com/yule-BUAA/DyGLib.git
cd DyGLib

# 创建并激活虚拟环境 (推荐)
conda create -n dyglib python=3.9
conda activate dyglib

# 安装依赖 (国内用户推荐使用清华源加速)
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装项目本身
pip install -e .

对于其他独立项目（如 GraphMixer），通常遵循相同的 git clone -> pip install -r requirements.txt 流程。

基本使用

以下以 DyGLib 为例，展示如何加载数据并训练一个动态图模型。大多数列表中的项目都遵循类似的“数据加载 -> 模型定义 -> 训练”流程。

1. 准备数据

确保数据目录结构符合项目要求（通常位于 data/ 文件夹下）。许多项目内置了标准数据集（如 GDELT, Wikipedia, MOOC）。

2. 运行训练脚本

大多数项目提供了直接的训练脚本。以下是一个典型的启动命令：

# 使用 DyGLib 训练 TGN 模型 (在 Wikipedia 数据集上)
python main.py \
    --model tgn \
    --dataset wikipedia \
    --gpu 0 \
    --epochs 50

3. 代码调用示例 (Python API)

如果你选择的项目支持作为库导入（如 DyGLib），可以在 Python 脚本中直接调用：

from dyglib import get_dataset, get_model

# 1. 加载动态图数据集
data = get_dataset(name='wikipedia')

# 2. 初始化模型 (例如 TGN)
model = get_model(model_name='tgn', data=data)

# 3. 训练模型
model.train()

# 4. 评估与预测
auc_score = model.evaluate()
print(f"Link Prediction AUC: {auc_score}")

注意：具体参数（如 --model, --dataset）需参考你所选具体项目仓库中的 README.md 或 args.py 文件，因为每个模型的实现细节有所不同。