图数据是实际生产和生活中广泛存在的一种重要数据类型。近年来，研究者们针对图数据建模提出了一系列方法。然而，实际场景中的图数据通常是复杂动态的，如时序知识图谱数据、动态图推荐场景中的动态二部图数据、事件图谱等，这些数据具有丰富的节点类型、关系类型和时间信息等。当前用于静态图或者普通动态图的建模方法在复杂动态图数据的时间信息捕捉、缺失关联关系利用、高阶关系建模等方面仍存在很多不足。针对这些问题，本文以复杂动态图数据为研究对象，提出了一些新的建模方法。本论文的主要工作和创新点归纳如下：
      针对已有模型建模复杂动态图数据长短期时间信息不足的问题，本文以一种典型的复杂动态图数据—时序知识图谱为研究对象，提出了一种长短期表征学习模型用于时序知识图谱推理。该模型首先利用一种全新的全局图构建方式将图谱序列转化为全局图。然后，使用一种层次化的关系型图神经网络来编码全局图，用于捕捉全局图中节点之间复杂的语义关系和长期时间依赖。此外，考虑到不同类型实体和关系对长短期时间信息的依赖程度不同，该模型使用门控融合模块自适应地融合实体和关系的长短期表征。在时序知识图谱推理任务上的实验结果验证了该模型在建模长短期信息方面优越性。
      针对复杂动态图数据存在的重要关联关系缺失的问题，本文提出了一种用于时序知识图谱推理预测的隐含关系学习模型。本文分析了时序知识图谱中存在着重要关联关系缺失的问题，指出了当前模型在关系缺失场景下存在的不足。然后，基于图结构学习理论，提出了一种隐含关系学习模型用于挖掘和利用时序知识图谱中缺失的重要关联关系。在时序知识图谱推理任务上的实验结果验证了建模实体间缺失的重要关联关系的必要性，也证明了隐含关系学习模型在挖掘和利用缺失关系方面的优越性。
      针对当前复杂动态图建模方法利用高阶关系不足的问题，本文以序列推荐场景中的动态二部图为研究对象，提出了一种动态图神经网络模型。该模型包含一种新的动态图构建方式用于保存动态二部图的细粒度时间演化信息，以及一种高效的子图采样策略用于模型的快速训练和推理。针对动态二部图中不同类型节点的特性，本文还设计了捕捉邻居节点长短期信息的图神经网络模块以编码采样的子图。本文在四个典型的序列推荐数据集上进行了大量实验，实验结果验证了模型的有效性。