图表示学习由于欧几里得数据深度学习的广泛应用而重新成为热门研究课题，这激发了在非欧几里得域（特别是图）中各种创新神经网络设计的出现。随着这些图神经网络（GNN）在静态场景中的成功，我们进一步探讨了图动态演化的实际场景。现有的方法通常依赖于节点嵌入，并使用递归神经网络（RNN，广义上讲）来调节嵌入并学习时间动态。这些方法需要在整个时间范围内（包括训练和测试阶段）了解节点的信息，因此在节点集频繁变化的情况下适用性较低。在一些极端情况下，不同时间步的节点集可能完全不同。为了解决这一挑战，我们提出了EvolveGCN，该方法无需依赖节点嵌入即可沿时间维度适应图卷积网络（GCN）模型。所提出的方法通过使用RNN演化GCN参数来捕捉图序列的动态特性。我们考虑了两种参数演化架构。我们在链接预测、边分类和节点分类等任务上评估了所提出的方法。实验结果表明，EvolveGCN相比相关方法表现出更高的性能。代码可在\url{https://github.com/IBM/EvolveGCN}获取。