Dynamic-graph-dataset

动态图/网络数据集，用于动态图/网络嵌入/表示。

Dynamic graph/network dataset, used for dynamic graph/network embedding/representation.

原始信息汇总

数据集概述

数据集列表

数据集	节点数	边数	属性数	异质性	时间跨度	标签数	来源
bitcoin-OTC	5,881	35,592	-	-	137	-	EvolveGCN AAAI20
bitcoin-Alpha	3,777	24,173	-	-	136	-	EvolveGCN AAAI20
Aminer	51,060	794,552	-	-	16	-	DynamicTriad AAAI18
PPI	16,458	144,033	-	-	37	-	tNodeEmbedding IJCAI19
Facebook Wall post	46,952	876,993	-	-	46	-	tNodeEmbedding IJCAI19
Facebook friendships	63,731	817,035	-	-	26	-	tNodeEmbedding IJCAI19
Slashdot	51,083	140,778	-	-	12	-	tNodeEmbedding IJCAI19
Cora	12,588	47,675	-	-	39	-	tNodeEmbedding IJCAI19
digg	283,183	6,473,708	-	-	unclear	-	node2bits PKDD19
wiki	1,140,149	7,833,140	-	-	unclear	-	node2bits PKDD19
digg_friends	71,367	1,731,658	-	-	unclear	-	DNPS TKDE19
MovieLens-10M	20,537	43,760	-	-	13	-	DySAT WSDM20
Higgs Twitter	456,626	14,855,842	-	edge	7 Days	-	SNAP standford
DBLP	28,085	339,788	-	-	27	10	MMDNE CIKM19
Tmall	577,314	7,800,509	-	-	186	5	MMDNE CIKM19
Epinions	163,543	581,983	44	-	12	-	Our
DBLP	781,108	4,191,677	160,648	-	10	-	Our

搜集汇总

数据集介绍

构建方式

Dynamic-graph-dataset的构建基于多个公开的动态图数据源，涵盖了社交网络、学术合作、电子商务等多个领域。每个数据集均从原始数据中提取节点、边及其时间跨度信息，确保数据的多样性和代表性。数据集的构建过程严格遵循数据清洗和格式标准化，以确保其适用于动态图嵌入和表示学习任务。

特点

该数据集以其广泛的时间跨度和多样的网络结构为显著特点，涵盖了从数千到数百万节点和边的规模。数据集中的每个图均具有明确的时间维度，能够反映网络随时间的动态变化。此外，部分数据集还包含节点属性信息，为研究提供了更丰富的上下文。

使用方法

Dynamic-graph-dataset适用于动态图嵌入、网络表示学习及时间序列分析等研究任务。用户可通过加载数据集中的节点、边及时间信息，构建动态图模型。数据集支持多种图神经网络框架，便于研究者进行实验和算法验证。使用前需根据具体任务对数据进行预处理，如时间切片或特征提取。

背景与挑战

背景概述

Dynamic-graph-dataset是一个专注于动态图/网络嵌入与表示的数据集，旨在为研究者提供丰富的动态图数据资源。该数据集由多个子数据集组成，涵盖了比特币交易网络、社交网络、学术合作网络等多个领域。其创建时间可追溯至2018年，主要研究人员和机构包括斯坦福大学、AAAI会议以及IJCAI会议的相关团队。核心研究问题在于如何高效地捕捉动态图中节点和边的演化特征，以支持图嵌入、节点分类、链接预测等任务。该数据集在动态图分析领域具有重要影响力，为相关算法的开发与验证提供了坚实的基础。

当前挑战

Dynamic-graph-dataset在解决动态图嵌入问题时面临多重挑战。首先，动态图的时序特性使得传统静态图方法难以直接应用，需要设计能够捕捉时间演化的新算法。其次，数据集的规模庞大且异质性高，例如Higgs Twitter子数据集包含超过1400万条边，这对计算资源和算法效率提出了极高要求。在构建过程中，数据采集与清洗也面临挑战，例如部分子数据集的时间跨度不明确，且节点和边的属性信息缺失，增加了数据处理的复杂性。此外，如何在不同领域的动态图数据上实现通用性，也是该数据集需要解决的关键问题。

常用场景

经典使用场景

Dynamic-graph-dataset广泛应用于动态图嵌入和表示学习领域，特别是在社交网络、金融交易和学术合作网络等场景中。该数据集通过捕捉节点和边随时间变化的特性，为研究者提供了丰富的实验数据，用于验证和优化动态图模型。例如，在比特币交易网络中，研究者可以利用该数据集分析用户信任关系的演变，从而预测未来的交易行为。

衍生相关工作

Dynamic-graph-dataset催生了众多经典研究工作，如EvolveGCN、DynamicTriad和DySAT等。这些工作基于该数据集提出了创新的动态图嵌入算法，推动了动态图建模领域的发展。例如，EvolveGCN通过引入图卷积网络的动态演化机制，显著提升了动态图嵌入的性能。DynamicTriad则通过捕捉三元组结构的动态变化，为社交网络分析提供了新的视角。这些工作不仅丰富了动态图建模的理论体系，还为实际应用提供了有力的技术支持。

数据集最近研究

最新研究方向

在动态图数据领域，Dynamic-graph-dataset为研究者提供了丰富的实验基础，涵盖了从社交网络到电子商务的多种应用场景。近年来，动态图嵌入和表示学习成为该领域的前沿研究方向，特别是在处理大规模、高维度的动态图数据时，如何有效捕捉节点和边的时序变化成为关键挑战。例如，EvolveGCN和DySAT等模型通过引入时间维度，显著提升了动态图嵌入的精度和效率。此外，随着图神经网络（GNN）的快速发展，动态图数据在推荐系统、社交网络分析和知识图谱构建中的应用也日益广泛。这些研究不仅推动了动态图算法的创新，还为实际应用中的复杂网络分析提供了强有力的工具。