动态图的表示学习与时序演化建模

可视化演示

动态图基础

还是回到“忘忧城”。当初城市规划师只需画一张街区图：哪里有路、哪里是公园，标清楚就够了。可城市每天都在生长——新楼盘交付、老商圈搬迁、地铁线路延伸到城市另一端。这时候，一张固定不变的地图反而会误导人。你真正需要的，是一本“城市图册”：每一页记录某个时刻的人口分布与街区关系。这就是动态图与传统静态图最根本的差异：静态图是单页，动态图是整个相册。

在计算机里，这种“相册”被形式化为一组随时间排列的图快照。社交网络中，今天你关注了谁、明天谁取关了你；交易网络中，这笔转账发生在几点几分、那笔交易又在哪一刻被标记异常。每个时间点上的图都不同，却又彼此关联——前一刻的互动会影响后一刻的关系。动态图表示学习要做的，正是从这组“连续快照”中挖出演化的规律。

动态图通常被写成如下形式：

理解动态图的第一步，不是去背复杂的模型，而是先认清“城市被记录在哪些时间点”。后面所有的快照聚合、节点更新、时序建模，都建立在这样一个时间序列之上。把这一页看明白，你就已经迈进了动态图的门口。

快照图序列

为了让城市图册不重不漏，绘图员决定每隔一段时间就拍摄一张“城市全景照”。这些全景照就是图快照 \(G_t\)。但快照不是拍得越密越好——如果一小时拍一张，一个季度就是两千多张，既有噪音又浪费存储；如果一年才拍一张，又可能漏掉街区之间的关键变化。快照机制的核心，是在“记录多少细节”和“保留多久历史”之间做权衡。

实际操作中，我们通常不会把全部历史快照都塞进模型，而是引入一个“时间窗口”。窗口大小 \(\tau\) 表示模型最多往前看几步。比如 \(\tau = 3\)，就表示模型只关心最近三个时间步的历史。窗口太小，就像只回看上周的天气就要预测下周；窗口太大，则像把十年前的街区格局也当作今天的重要信息。

为了让窗口内的信息形成一张可用的图，我们还要做“聚合”——把多张快照合并成一张代表当前状态的加权图：

快照序列的构建质量，直接决定后续模型的“视野”。就好像一位老记者整理档案：把无关的旧新闻剔除，把最近的关键事件高亮，最后浓缩成一份真正有价值的简报——这份简报，就是 \(\hat{G}_t\)。

节点状态更新

想在忘忧城判断某位居民最近在忙什么，最聪明的办法不是去盘问他本人，而是看他身边那圈朋友：朋友新开的店、刚搬的街区、最近频繁联系的伙伴。节点的“状态”也是如此——它不应该只由自己决定，而应该通过邻居的消息不断修正。这就是动态图里节点状态更新的核心思想：用邻居的信息来更新自己。

这里说的“状态”，是节点在某个时刻的向量表示 \(h_v\)，你可以把它理解为居民的“动态小传”。刚开始，小传可能是空白的；但每次消息传递，邻居都会把自己的“小传摘要”发过来，经过聚合形成一条综合信息，再与自己原来的小传融合，生成新的版本。这个过程可以表示为：

城市里的消息就是这样一层层传开的：先问身边朋友，再让朋友去问他们的朋友。动态图把这种“邻居聚合—自身更新”的过程沿着时间轴反复执行，每过一个时刻，居民的小传就会根据最新的邻里关系刷新一次。最终拿到手的，是一份份跟得上城市变化的“活户口本”。

时序演化建模

城市的生活是有节奏的：工作日的早高峰拥堵、周末商圈的人潮涌动、节假日的人口迁徙。这些规律不是一天形成的，而是长期历史累积的结果。动态图的时序演化建模，就是想教会模型识别这种“城市节奏”——不是孤立地看某一时刻，而是把历史串成一条线来理解。

一种主流做法是使用循环神经网络，比如 LSTM，逐个读取时刻的图快照。每一步，模型都会把“当前时刻的图信息”和“上一步留下的记忆”组合起来，生成新的全局状态。用矩阵形式表示，所有节点的状态合起来是 \(\mathbf{H}^{(t)}\)，更新方式为：

除了循环编码，注意力机制也是时序建模中的常用工具：模型不再机械地逐帧读取，而是自己决定“哪一帧更重要”。就好比球赛剪辑师不会平均分配镜头，而是把重心放在最后十分钟的关键进攻上。时序演化建模的意义，正是让模型不只看见城市“现在长什么样”，更理解它“怎么走到这一步”。

动态嵌入方法

如果给每个居民制作一张随时更新的“身份名片”，上面写着他目前的职业、活跃圈子和近期动向，这张名片就是一个动态图嵌入。嵌入的本质是把节点投射到低维向量空间，而动态图嵌入强调：这个向量不是一成不变的，它跟着时间走。

从方法上看，动态嵌入大致分成两条路线。第一条关注“拓扑演化”：用图注意力、图自编码器等结构模型捕捉邻居集合的逐步变化，比如谁新加入了谁的圈子；第二条关注“时间演化”：用循环网络或时间窗口处理节点在时间线上的轨迹，比如一个人从“潜水用户”慢慢变成“活跃博主”。两条路线最终都会汇合到同一个目标——为每个节点、每个时刻产出一个低维向量：

有了这张“流动名片”，下游任务才能精准运作：推荐系统在合适的时机把有共同兴趣的人互相引荐，风控系统在某个账户状态突变时及时发出警报。名片是动态的，因为人总是在变；嵌入是动态的，因为图一直在演化。

时序采样策略

如果让你回忆忘忧城最近的变化趋势，你不会把十年前每条街道的变迁都翻出来，而是优先回想最近几个月的关键事件。动态图建模也应遵循这个直觉：时间越近，信息越重要。这种直觉被形式化成“时间衰减”——距离当前时刻越远的边，影响力越小。

在具体模型中，时间衰减通常体现为对边或邻居的权重调整：

时序采样策略还包括“邻域采样”和“时序游走”。邻域采样是每步只选部分邻居做消息传递，减少计算量；时序游走则要求游走路径沿着时间递增的边前进，让采样得到的序列天然保留演化顺序。这就像记者的采访策略：不去翻十年前的旧档案，而是循着最近的人脉线索，一步步还原事件的来龙去脉。

下游任务评估

给忘忧城画了一整套动态地图，怎么判断它画得准不准？最经典的验证方法是“回访预测”：只允许模型看到某个时间点之前的数据，然后让它预测之后会出现的新关系。如果地图真的理解了城市演化规律，它就应该能提前猜中“谁会搬进谁的小区”。这种任务就是链路预测。

链路预测中，模型会给每条候选边打一个“存在可能性”得分。评估这些得分最常用的指标是 AUC（Area Under the ROC Curve），它的数学定义是：

AUC 的通俗含义是：随机抽一条真实边和一条虚假边，模型给真实边打更高分的概率。AUC 越高，说明模型越能分清“会发生的缘分”和“不会发生的偶遇”。除了链路预测，节点分类也是常见评估方式——利用学到的动态嵌入去预测节点的社区归属，检验嵌入是否保留了节点本身的语义信息。

挑战与前景

把动态图方法从论文搬进真实业务，就像把城市测绘从实验室搬到现实世界，困难接踵而至。第一座大山是“城市太大”——忘忧城有千万人口，每秒钟都有新的关系产生，模型如果每次都要重新跑一遍全图，计算资源根本撑不住。这对应动态图的可扩展性挑战：我们需要增量式地更新节点状态，而不是每次从头训练。

第二座大山是“新区没有历史”——新注册的用户、新开通的航线，没有任何历史快照可供参考。这对应冷启动问题：如何利用节点属性、社区先验或相似用户的信息，让“新居民”也能快速获得可靠的嵌入。为了理解动态图模型的训练目标，最常用的损失函数是链路预测损失：

展望未来，动态图建模正从“研究课题”走向“生产组件”：增量式图神经网络、时序游走与大语言模型的结合、可解释的动态演化归因，都是被看好的方向。给一座永远在变化的城市做地图，从来不是一次性工程，而是一项需要持续投入的长效工作——模型要跟上城市的步伐，地图才能永远新。

AI 应用场景

Python 演示

"""动态图表示学习：基于快照的节点状态演化示例"""import numpy as np  def gen_dynamic_graph(n=12, steps=5, p_add=0.25, p_rm=0.2):    """生成一个随时间演化的动态图序列（邻接矩阵列表）"""    rng = np.random.default_rng(42)    A = (rng.random((n, n)) < 0.2).astype(float)    A = np.triu(A, 1) + np.triu(A, 1).T    seq = [A.copy()]    for _ in range(steps - 1):        A2 = A.copy()        for i in range(n):            for j in range(i + 1, n):                if A[i, j] > 0 and rng.random() < p_rm:                    A2[i, j] = A2[j, i] = 0                elif A[i, j] == 0 and rng.random() < p_add:                    A2[i, j] = A2[j, i] = 1        A = A2        seq.append(A.copy())    return np.stack(seq)  def window_aggregate(seq, t, tau=2):    """聚合最近 tau 步，得到当前时刻的加权邻接矩阵（时间窗口）"""    start = max(0, t - tau + 1)    agg = np.zeros_like(seq[0])    for k in range(start, t + 1):        age = t - k        agg += np.exp(-age) * seq[k]    return agg  def update_states(H, A_agg, W, b):    """节点状态更新：聚合邻居信息并按可学习权重变换"""    return np.tanh(A_agg @ H @ W + b)  def main():    seq = gen_dynamic_graph()    n, steps = seq.shape[1], seq.shape[0]    H = np.random.randn(n, 4) * 0.01    W = np.eye(4) * 0.5    b = np.zeros(4)    for t in range(steps):        A_agg = window_aggregate(seq, t)        H = update_states(H, A_agg, W, b)        edges = int(A_agg.sum() / 2)        print(f"t={t} 加权边数={edges:.0f} 状态均值={H.mean():.4f}")  if __name__ == "__main__":    main()

1. A = (rng.random((n, n)) < 0.2).astype(float)以 20% 的概率随机生成初始邻接矩阵，作为城市第一张地图。
2. A = np.triu(A, 1) + np.triu(A, 1).T只保留上三角再镜像，确保生成的是无向图的对称邻接矩阵。
3. seq.append(A.copy())把当前时刻的图快照存入序列，构成“城市图册”。
4. agg += np.exp(-age) * seq[k]用指数衰减给更早的快照打折扣，距离当前越远权重越小。
5. return np.tanh(A_agg @ H @ W + b)把邻居状态聚合结果经过非线性激活，得到节点新状态。
6. H = update_states(H, A_agg, W, b)每个时刻先聚合窗口内历史信息，再更新节点状态，形成时序演化闭环。

常见误区

面试题