Extension usage examples:
Here's how our browser extension sees the article:
Elsevier Enhanced Reader
Source: reader.elsevier.com
Article summary:
1. 动态图的属性和边缘在不断变化，需要考虑过去和当前的状态来完成链接预测任务。
2. 时间图是一个最佳的连续时间数据结构，可以将每个时间戳边看作一个连接事件，重新构建事件流。
3. 链接预测有三种主要的模型：概率最大似然模型、降维模型、相似度基于模型。
Article analysis:
此文章关于Elsevier Enhanced Reader的内容是由Q. Mi, X. Wang and Y. Lin所写，其中对动态图、时间图以及链接预测三者之间的关系进行了详尽而准确的分析。
此文章在内容上并没有明显的片面性或者无根据的主张，也注意到了可能存在风险并尝试避免它们。例如：作者在训练时提出使用节点采样来避免数据集中存在太多信号干扰；同时也注意到采样不仅要考虑相连节点，也要考虑不相连但是会影响其他节点的情况。
此文章也注意到GNN encoder通常将node表征为一个表征向量；同时提出使用spatial GNN来将attribute信息和topology信息都embedded到output vector中去。
此外，作者也注意到temporal graph model中nodes and edges in each batch are only computed as part of the complete graph, which means that they learn the encoder only from the global perspective, this is not efficient and will bring a lot of noise into the training data. 作者随后尝试使用local evolutionary of temporal graph来学习encoder, 以减少noise interference带来的影响。
总之，此文章对Elsevier Enhanced Reader 的内容是准确、客观、公平、有效地呈现出来。