利用Temporal-GCN-LSTM模型实现对用户参与度的预测，该模型采用应用内操作图进行表征

时态gcn-lstm 使用应用内操作图表征和预测用户参与度的代码：Snapchat的案例研究 Temporal-gcn-lstm模型对时间演变的动作图进行编码，以预测未来的用户参与度。 端到端的多通道神经模型还对活动序列和其他宏观特征进行编码，以达到最佳性能。 要求 DGL，NetworkX，PyTorch，Pandas，Numpy，SciKit-Learn，tqdm 深度图库（DGL） pytorch 建立动作图 build_graphs.py：为时间段构建静态图 build_temporal.py：每天建立时间图 python3 build_graphs.py INPUT_PATH OUTPUT_PATH python3 build_temporal.py INPUT_PATH OUTPUT_PATH 楷模 utils.py：支持功能 activity_seq_model