Base3：面向鲁棒动态链路预测的简单插值型集成方法

动态链路预测仍是时序图学习中的核心挑战，尤其在设计既有效又实用的模型方面。现有方法常依赖复杂的神经网络结构，计算密集且难以解释。本文基于 EdgeBank 基线的强递归基础，通过补充归纳能力来实现。我们利用两种互补视角的非可学习信号预测能力：一种来自 EdgeBank 的历史边递归，另一种来自 PopTrack 模型引入的全局节点流行度。我们提出了 t-CoMem，一个轻量级记忆模块，用于跟踪时序共现模式和邻域活动。基于此，我们引入 Base3，一种插值型模型，将 EdgeBank、PopTrack 和 t-CoMem 融合为统一的评分框架。这种组合有效桥接了局部与全局时序动力学——重复、流行度和情境——而无需依赖训练。在时序图基准测试上评估的 Base3 在性能上与最先进的深度模型持平，甚至在某些数据集上超过它们。重要的是，它在更真实且具有挑战性的负采样策略下显著改进了现有基线的性能——为时序图学习提供了一个简单而稳健的替代方案。