在许多现实世界的应用中，包括社交网络、推荐系统、本体论、生物学和计算金融，图表自然地出现了。传统上，图的机器学习模型大多是为静态图设计的。然而，许多应用程序都涉及到图形的演变。这为学习和推理带来了重要的挑战，因为节点、属性和边会随着时间而变化。在这一报告中，我们回顾了最近的进展表示学习动态图，包括动态知识图谱。我们从编码器和解码器的角度来描述现有的模型，根据它们所使用的技术对这些编码器和解码器进行分类，并对每一类的方法进行分析。我们也回顾了几个突出的应用和广泛使用的数据集，并强调了未来的研究方向。

问题: 学习动态节点表示。 挑战: 时间变化图结构:可以出现链接和节点 然后消失，社区一直在变化。 我要求节点表示同时捕捉结构 邻近性(如静态情况)和它们的时间性 进化。 事件的时间间隔不均匀。 改变的原因: 可以来自不同的方面，例如: 在合作网络，研究社区和职业 阶段的观点。 需要对多方面的变化进行建模。