DURENDAL：面向时序异构网络的图深度学习框架
机器学习
2026-03-10 v1
摘要
时序异构网络(THNs)是不断演化的网络，表征许多真实世界应用，如引文与事件网络、推荐系统和知识图谱。尽管不同的图神经网络(GNNs)已成功应用于动态图，但其中多数仅支持同构图，或受限于由特定THNs预测任务重度影响的模型设计。此外，当前标准图基准数据集中缺乏时序异构网络数据。因此，本工作中我们提出DURENDAL，一个面向THNs的图深度学习框架。DURENDAL可通过结合基于快照和多关系消息传递图学习模型的设计原则，轻松将任意异构图学习模型改造用于演化网络。我们引入两种不同方案来更新THNs的嵌入表示，讨论了两种策略的优缺点。我们还通过引入两个源自新兴Web3平台和成熟电子商务网站的新型高分辨率时序异构图数据集，扩展了TNHs的基准集合。总体而言，我们在考虑数据演化特性的评估设置下，基于四个时序异构网络数据集在未来链接预测任务上对该框架进行了实验评估。实验展示了DURENDAL相较于当前演化与动态图方案的预测能力，及其模型设计的有效性。
引用
@article{arxiv.2310.00336,
title = {DURENDAL: Graph deep learning framework for temporal heterogeneous networks},
author = {Manuel Dileo and Matteo Zignani and Sabrina Gaito},
journal= {arXiv preprint arXiv:2310.00336},
year = {2026}
}