图谱动态｜学苑周刊 NO.209

本周推荐的是NeurIPS 2024上的论文：Improving Temporal Link Prediction via Temporal Walk Matrix Projection，该文提出了一种新的时间图神经网络TPNet，通过引入temporal walk矩阵同时考虑时间和结构信息，提高了时间链接预测的效率和准确性。作者来自北京航空航天大学。

该文介绍了一种名为TPNet的新型时间图神经网络，用于时间链路预测，旨在预测基于历史互动的实体之间未来互动。虽然先前的方法已经证明了相对编码对于有效的时间链路预测的重要性，但在构建这些编码时计算效率仍然是一个主要问题。此外，现有的相对编码通常是基于结构连接构建的，其中很少考虑时间信息。为了解决上述问题，作者首先分析了现有的相对编码，并将它们统一为时间漫步（temporal walk）矩阵的函数。该统一建立了相对编码和时间漫步矩阵之间的联系，为分析和设计相对编码提供了更加原则性的方法。基于这一分析，作者提出了一种新的时间图神经网络TPNet，引入了一个包含时间衰减效应的时间漫步矩阵，以同时考虑时间和结构信息。此外，TPNet设计了一种具有理论保证的随机特征传播机制，以隐式维护时间漫步矩阵，从而提高了计算和存储效率。对13个基准数据集的实验结果验证了TPNet的有效性和效率，在大多数数据集上超过了其他基线，并与SOTA基线相比，最大速度提升达到了33.3倍。

相对编码的作用如下图所示：

该文将各种相对编码统一为一个基于temporal walk加权和的式子：

该文源代码、数据和其他材料已在https://github.com/lxd99/TPNet上提供，感兴趣的读者可以关注。