重新审视时序图中的节点亲和性预测
机器学习
2026-02-24 v3
摘要
节点亲和性预测是一项常见任务，广泛应用于时序图学习，在社交网络、金融网络、推荐系统等领域有重要应用。近期工作通过将最先进的动态链接属性预测模型适配到节点亲和性预测来解决该任务。然而，简单启发式方法，如持续预测或移动平均，优于这些模型。在本工作中，我们分析了当前训练时序图神经网络用于节点亲和性预测所面临的挑战，并提出了相应的解决方案。结合这些解决方案，我们开发了 NAViS——基于虚拟状态的节点亲和性预测模型（Node Affinity prediction model using Virtual State），利用了启发式方法与状态空间模型之间的等价性。虽然前景可观，但训练 NAViS 并非易事。因此，我们进一步引入了一种适用于节点亲和性预测的新型损失函数。我们在 TGB 数据集上评估了 NAViS，结果表明它优于最先进的方法，包括启发式方法。我们的源代码可在 https://github.com/orfeld415/NAVIS 获取。
引用
@article{arxiv.2510.06940,
title = {Revisiting Node Affinity Prediction in Temporal Graphs},
author = {Or Feldman and Krishna Sri Ipsit Mantri and Moshe Eliasof and Chaim Baskin},
journal= {arXiv preprint arXiv:2510.06940},
year = {2026}
}
备注
Accepted at ICLR 2026