TAMI：用于时序图链接预测中驯服时序交互异构性
机器学习
2025-10-28 v1 人工智能
摘要
时序图链接预测旨在基于节点历史交互（编码于节点嵌入中）来预测图中节点之间的未来交互。我们注意到，时序交互中天然存在异构性，例如少数节点对可进行大多数交互事件，而交互事件发生在不同间隔。这导致时序信息编码不有效以及对间歇性交互的节点对在链接预测中忘记过去交互的问题。然而，现有方法未在学习过程中考虑这种异构性，因此其学习到的时序节点嵌入在预测不频繁交互的节点对的链接时效果较差。为应对这种异构性，我们提出一种新框架 TAMI，其中包含两个有效组件，即对数时间编码函数 (LTE) 和链接历史聚合 (LHA)。LTE 通过将交互间隔转换为更平衡的间隔来更好地编码时序信息，LHA 防止目标节点对的历史交互被遗忘。时序图神经网络可以无缝且就绪地集成到 TAMI 中以提高其效果。在 13 个经典数据集和 3 个最新的时序图基准 (TGB) 数据集上的实验结果表明，TAMI 在 transductive 和 inductive 设置中均一致地提高了底层模型的链接预测性能。我们的代码可在 https://github.com/Alleinx/TAMI_temporal_graph 提供。
引用
@article{arxiv.2510.23577,
title = {TAMI: Taming Heterogeneity in Temporal Interactions for Temporal Graph Link Prediction},
author = {Zhongyi Yu and Jianqiu Wu and Zhenghao Wu and Shuhan Zhong and Weifeng Su and Chul-Ho Lee and Weipeng Zhuo},
journal= {arXiv preprint arXiv:2510.23577},
year = {2025}
}
备注
Accepted to NeurIPS 2025