变分图递归神经网络

图结构数据上的表示学习主要在静态图环境中进行研究，而对动态图建模的努力仍然较少。本文中，我们提出了一种新颖的层次变分模型，该模型通过引入额外的潜在随机变量来联合建模图递归神经网络（GRNN）的隐藏状态，以捕捉动态图中的拓扑结构变化和节点属性变化。我们认为，在这种变分GRNN（VGRNN）中使用高层次的潜在随机变量可以更好地捕捉在动态图中观察到的潜在变化以及节点潜在表示的不确定性。通过为这一新的VGRNN架构开发半隐式变分推理（SI-VGRNN），我们展示了灵活的非高斯潜在表示可以进一步帮助动态图分析任务。我们在多个真实世界的动态图数据集上进行的实验表明，SI-VGRNN和VGRNN在动态链接预测任务中显著优于现有的基线方法和最先进方法。