许多现实世界的系统都会产生结构化的数据,而结构化数据的知识发现需要使用由节点与节点之间的连接构成的网络数据。在一些真实场景,例如社交网络、通信网络以及金融交易网络中,这些结构化数据通常是动态变化的,即网络中的节点或者边会随着时间的推移而动态地演变。时序信息是动态网络的重要组成部分,反映了网络结构的演化机制。以社交网络为例,它的拓扑结构随着新用户的增加、好友关系的建立和解除而不断发展。对既有演变规律的学习可以更好地帮助预测未来的网络拓扑,进而用于解决好友推荐、社区发现、用户增长等任务。当前,图表示学习方法已经在网络分析中取得了巨大成功,其主要思想是通过研究节点属性和网络拓扑结构,生成具有丰富信息的节点嵌入向量,以达到节点高阶特征表达及降维的目的。现有的用于动态网络表示学习的模型一般是由静态图表示学习模型和循环神经网络组成。前者为每个时刻的静态网络生成节点的特征向量,而后者用于建模连续时间网络表示的时序关联。然而,对于这种两阶段的设计模式,前一阶段的特征学习往往会忽略时序网络之间的关联信息。为了解决这一问题,本文提出了具有递归结构的动态网络表示学习模型:Dyn GNN,并在合成和真实的动态网络数据集的实验中验证其有效性。本文的主要工作总结如下:1、本文提出了一种新的动态网络表示学习模型:Dyn GNN,用于捕获动态网络数据的时空特征。不同于以往两阶段的动态网络表示学习模型,Dyn GNN是一种可以同时捕获时序信息以及拓扑信息的端到端模型。该模型以无监督的方式进行训练,学得的特征往往具有较好的泛化性能,这使得模型生成的低维嵌入向量可以被用于现实世界中的多种网络分析任务,如好友推荐、欺诈用户识别以及社区发现等。此外,Dyn GNN是一种用于动态网络处理的归纳模型,它可以有效地为网络中未出现的节点生成特征向量,且不需要额外的训练过程。2、为了验证Dyn GNN模型的有效性,本文将Dyn GNN模型应用到欺诈用户识别、贸易风险判定以及好友推荐等任务中。首先通过Dyn GNN模型捕获到动态网络数据的时空特征,得到节点的高阶嵌入向量。然后,对节点特征应用二元算子来计算边的特征信息。最后,使用带权的逻辑回归分类器评估模型学得特征的表示性能。从与经典模型的对比分析来看,Dyn GNN模型在多个网络分析问题中表现出显著的性能提升。