1. 研究目的与意义、国内外研究现状（文献综述）
1.1 课题的意义
图网络定义了一类基于图结构来表示关系推理的函数集合。图网络由相互连接的图网络块组成，在神经网络实现中也被称为“节点”，节点间的连接被称为“边”，表示了节点间的依赖关系。静态图指的是图的节点和边都是固定的，不会随时间变化。动态图（temporal graph）则认为图中的节点、边都是会动态变化的，会出现节点和边的动态增加、动态减少以及属性的动态变化。
在现实世界中，许多图是随时间变化而变化的，例如社交网络、引文网络、问答论坛和用户项目交互系统等，在这些图中，图的节点和边往往都是动态变化的，边会动态增加，节点会增加，节点的属性会变化等。基于静态图去解决问题，虽然处理起来更简单，但不符合实际，预测效果也会大打折扣，甚至导致错误的推断。更重要的是，许多与图相关的问题要求在节点和边随时间增加、删除或更改时，能够及时对新的变化进行建模和处理。对动态图的表示方法研究为这个问题提供了解决方案，通过同时提取节点特征和不断发展的节点拓扑结构，每当图发生变化时，都可以预测到新节点和被观察节点的嵌入,这样就可以更好地处理实际问题。
2. 研究的基本内容和问题
2.1 研究目标
1)研究并实现动态图注意力表示算法（tgat）；
2)研究对比tgat和其他动态图表示算法的准确率和性能；
3. 研究的方法与方案
3.1 研究方法：
1) 阅读相关文献、书籍以及学术论文。
4. 研究创新点
课题选题的主要来源是一篇正在进行审查的iclr(internationalconference on learning representations) 2020的会议论文《inductiverepresentation learning on temporal graphs》，图网络是近年来深度学习的热点课题，在社交网络、分子图结构、推荐系统等方面具有重要的应用背景。一方面，在查阅相关文献后发现目前对动态图表示方法的研究不多且多以英文文献为主，该想法较为新颖，另一方面，该文献的结尾处也提出了未来还有很多研究方向和研究工作可以做，因此本研究旨在改进现有算法。
5. 研究计划与进展
5.1 研究计划
1)2020年1月1日-1月11日
阅读相关文献，对目前已有的技术和发展进行资料的收集和分析；
