题目： A Data-Driven Graph Generative Model for Temporal Interaction Networks

会议： KDD 2020

论文地址： https://dl.acm.org/doi/pdf/10.1145/3394486.3403082

推荐理由： 深图生成模型因其在生物、化学、社会科学等多个领域建模真实感图形的优越性而受到人们的广泛关注。尽管最初取得了成功，但大多数(如果不是全部)现有的工作都是为静态网络设计的。然而，许多现实网络本质上是动态的，表现为系统日志的集合(即实体之间带有时间戳的交互/边)。本文提出了首次尝试通过直接从带有时间戳的边缘集合中学习来生成时态网络，能够通过一种新颖的上下文采样策略和双层自我注意机制来生成能够捕捉输入数据的重要结构和时态属性的图。

深图生成模型因其在生物、化学、社会科学等多个领域建模真实感图形的优越性而受到人们的广泛关注。尽管最初取得了成功，但大多数(如果不是全部)现有的工作都是为静态网络设计的。然而，许多现实网络本质上是动态的，表现为系统日志的集合(即实体之间带有时间戳的交互/边)。那么有的学者就提出一个疑问：如何通过直接从系统日志中学习来合成现实动态网络？此外，我们如何确保生成的图形既保留了真实数据的结构特征，又保留了真实数据的时间特征？KDD2020中的这篇文章提出了一个端到端的深度生成框架TagGen，用于解决上述问题。