FTM：一种用于时序图表示学习的帧级时间线建模方法

学习图结构数据的表示对于图分析任务至关重要。尽管在静态图上已取得显著进展，但时序图的研究仍处于起步阶段。时序图表示学习方法的瓶颈在于邻域聚合策略，图属性基于该策略显式地共享与聚合信息。现有的邻域聚合策略无法同时捕捉时序图属性的短期特征与长期特征，导致表示方法性能不佳，甚至鲁棒性与领域泛化能力较差。为解决此问题，我们提出一种帧级时间线建模（FTM）方法，有助于同时捕捉短期与长期特征，从而在时序图上学习到更具信息量的表示。具体而言，我们提出一种新颖的基于连边的分帧技术以保留短期特征，并引入时间线聚合器模块以捕捉图演化的内在动态作为长期特征。我们的方法可轻松地与大多数时序 GNN 组装使用。在常用数据集上的大量实验表明，我们的方法显著提升了骨干方法在下游任务中的能力、鲁棒性与领域泛化能力。我们的代码可在 https://github.com/yeeeqichen/FTM 获取。