时序网络的课程负采样

时序网络能够有效捕捉网络随时间演化的相互作用，如社交网络和电子商务网络。近年来，研究者主要集中于开发特定模型架构以提升时序图神经网络（TGNN）中时序节点和边的表示质量。然而，对 TGNN 训练过程中负样本质量的关注有限。与静态网络相比，时序网络在负采样方面存在两个特定挑战：正稀疏和正迁移。正稀疏指的是在每个时间戳中只有单个正样本存在大量负样本；正迁移指的是不同时间戳之间正样本的变化。为稳健应对这些挑战，本文引入课程负采样（CurNM），一种基于模型的课程学习框架，用于自适应调整负样本的难度。在该框架中，我们首先建立一个动态更新的负样本池，以平衡随机负样本、历史负样本和硬负样本以应对正稀疏的挑战。其次，我们实现一个时序感知的负样本选择模块，专注于学习最近活跃边的解耦因素，从而准确捕捉偏好变化。最后，将选定的负样本与 annealing 随机负样本组合，以支持稳定训练。在 12 个数据集和 3 种 TGNN 上进行的大量实验表明，我们的方法在显著程度上优于基线方法。此外，充分的消融实验和参数灵敏度实验验证了我们方法的有用性和鲁棒性。