面向动态图的数据中心化提示微调

动态图因其能够对现实场景中复杂且不断演变的关系进行建模而受到越来越多的关注。传统方法通常使用动态链接预测进行预训练，并将得到的节点时间嵌入直接应用于特定的下游任务。然而，下游任务之间的显著差异常常导致性能下降，尤其是在少样本设置下。提示微调已成为解决此问题的有效方案。现有的提示方法通常与特定的模型架构或预训练任务紧密耦合，这使得它们难以适应近期或未来的模型设计。此外，它们仅专注于修改节点或时序特征，而忽略了空间结构信息，导致表达能力有限且性能下降。为解决这些局限性，我们提出了 DDGPrompt，一个数据中心化的提示框架，旨在输入数据层面有效优化预训练的节点嵌入，从而更好地适应多样化的下游任务。我们首先定义了一个统一的节点表达特征矩阵，该矩阵聚合了每个节点所有相关的时序和结构信息，确保了与各种动态图模型的兼容性。然后，我们引入三个提示矩阵（时序偏差、边权重和特征掩码）来全面调整特征矩阵，实现节点嵌入的任务特定自适应。我们在四个公开动态图数据集上，在严格的下游设置下评估了 DDGPrompt。实验结果表明，我们的方法在标签有限和冷启动条件下，显著优于传统方法和提示方法。