РАЗРАБОТКА АРХИТЕКТУР ДИНАМИЧЕСКИХ GNN ДЛЯ МОДЕЛИРОВАНИЯ ЭВОЛЮЦИИ СОЦИАЛЬНЫХ СЕТЕЙ: СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ОБРАБОТКИ ВРЕМЕННЫХ ГРАФОВ ИЗМЕНЕНИЙ СТРУКТУРЫ СОЦИАЛЬНЫХ СЕТЕЙ В РЕАЛЬНОМ ВРЕМЕНИ

Попов Валерий Владиславович

Социальные сети представляют собой сложные динамические системы, где связи между пользователями и сущностями (посты, комментарии, сообщества) изменяются в реальном времени. Моделирование подобных временных структур, с целью дальнейшего анализа, с помощью классических методов математического моделирования затруднительно в виду высокой размерности и необходимости учета аддитивности данных. Традиционные же графовые нейронные сети (GNN – Graph Neural Network) демонстрируют высокую эффективность в анализе статических графов [1-3], однако их применение ограничено при работе с временными данными, требующими адаптации к эволюции структуры графа. В статье рассматриваются современные подходы к разработке динамических GNN, способных моделировать изменения в социальных сетях с учетом временных паттернов. Предложена архитектура, сочетающая рекуррентные механизмы и агрегацию соседей для обработки потоковых данных. Проведен сравнительный анализ методов классического GNN моделирования и динамического GNN (DGNN – Dynamic Graph Neural Network) моделирования, с акцентом на их применимость в задачах прогнозирования трендов, выявления сообществ и обнаружения аномалий. Эксперименты на реальных открытых данных Twitter, показали, что динамические GNN обеспечивают на 5-10% более высокую точность по сравнению с статическими аналогами. Особое внимание уделено проблемам масштабируемости, приватности и интерпретируемости моделей. Результаты исследования могут быть использованы для создания безопасных и адаптивных алгоритмов анализа социальных сетей в реальном времени.

Ключевые слова:динамические графовые нейронные сети, временные графы, GNN, моделирование эволюции, обработка данных в реальном времени, масштабируемость, интерпретируемость, DGNN, прогнозирование трендов, выявление сообществ