本期将分享近期全球知识图谱相关
行业动态、近期会议、论文推荐
NASA技术转型
2025年5月，NASA人力分析团队宣布将长期使用的Neo4j图数据库替换为Memgraph，主因是成本压力与技术效率。Memgraph兼容Cypher查询语言，成本更低且性能更优，尤其适合实时数据分析。Memgraph基于内存的设计克服了Neo4j磁盘存储的瓶颈，提升NASA人力系统的响应效率。此举标志着NASA在预算紧缩下通过技术迭代平衡成本与效能，也为图数据库市场竞争格局带来新变数。
https://t.hk.uy/bRQK
工业故障诊断
2025年5月7日，图数据库领导者Neo4j发布Aura Graph Analytics，成为首个支持任意数据源的零ETL（数据提取、加载、转换）图分析服务。该产品提供65种开箱即用的图算法，可将AI决策模型准确率提升80%，洞察效率提高2倍，且无需图技术背景。Neo4j首席产品官表示，新方案通过消除复杂查询和基础设施管理负担，让企业能直接基于Oracle、Snowflake等现有数据平台运行高性能图分析，实时挖掘关联数据价值（如反欺诈、供应链优化）。
科技情报新工具新方法学术研讨会
本次研讨会将于2025年5月21日-24日在青海省西宁市联合举办，聚焦人工智能技术在科技情报领域的创新应用，探讨如何利用DeepSeek、ChatGPT等为代表的新工具新技术增强情报分析能力，提升各类数据库的检索与分析效能，深化信息挖掘与评估，推动科技情报服务的智能化转型。
详情访问：https://www.istis.sh.cn/cms/news/article/147/27490
大模型（LLM）和信息检索（IR）系统是人类获取信息的两大主要手段。一方面，LLM可以赋能、升级和改造传统的IR系统，推动信息检索技术进一步发展。同时，IR系统也可以有效发挥大部分大模型的幻觉问题和时效性瓶颈。两者紧密结合，相融相生，推动人工智能时代信息获取方式的变革。目前，检索增强生成技术成为大模型转化应用的核心方案之一；深度搜索（深度搜索）搜索）体现出强劲的发展势头，可以有效应对用户的复杂信息查询意图，成为新型AI搜索技术的代表；同时，各种信息智能体（包括GUI界面智能体）重构了信息获取、处理和交互的方式，显着提升了效率和用户体验。此次ADL，我们将围绕大模型和信息搜索融合这一主线题，探讨大模型赋能信息检索、大模型检索增强、生成式检索、AI搜索、信息智能体、GUI智能体等热点前沿问题。
详情访问：https://ccf.org.cn/ADL158
本周推荐的是arxiv 2025.3上的论文：Trajectory Encoding Temporal Graph Networks: Balancing Transductive and Inductive Learning，作者来自曼彻斯特大学。
引言
时间图网络（TGNs）已经成为建模动态关系的一种强大框架，这些动态关系存在于不断演化的网络中，如社交媒体平台、金融系统和通信网络。与静态图不同，时间图捕获了现实世界交互的时间演化本质，为诸如下游任务（如链接预测和节点分类）提供了更丰富的表示。
然而，现有的TGN方法面临一个根本性的挑战：它们必须选择优化直推式学习（在已知节点上表现良好）或归纳式学习（推广到未见节点）。曼彻斯特大学的熊嘉峰和 Rizos Sakellariou 的这项工作引入了轨迹编码时间图网络（TETGN），这是一种新颖的方法，通过有效平衡这两种学习范式来弥合这一差距。
归纳-直推困境
当前的TGN方法主要分为两类，每类都有其独特的局限性：
非匿名 TGNs: 这些模型严重依赖节点特征，使其能够通过区分具有相似结构模式的已知节点，从而在直推式任务中表现出色。然而，它们在没有预先存在的特征的情况下，难以进行归纳泛化到未见节点。
匿名 TGNs: 这些模型仅依赖于结构和时间信息，使其能够有效地进行归纳学习，但区分直推式设置中结构相似的节点的能力较差。
这种困境迫使从业者根据其特定的应用需求做出艰难的权衡。TETGN 旨在通过开发一种在两种学习场景中都表现良好的统一方法来消除这种妥协。
论文、讨论链接：https://www.alphaxiv.org/overview/2504.11386，感兴趣的读者可以关注。
更多链接
内容：袁知秋、程湘婷、卢小柯、王图图
诚邀您加入我们的gStore社区，我们将在群内解决使用问题，分享最新成果~
请在微信公众号图谱学苑发送“社区”入群~
微信社区群：请回复“社区”获取
