时间图模型未能捕捉全局时间动态

在动态链路属性预测背景下分析了最近发布的Temporal Graph Benchmark（时间图基准）。我们概述了观察结果，并提出了一种无优化的平凡基线“最近流行节点”，该基线在时间图基准的中型和大型数据集上优于其他方法。我们提出了两种基于Wasserstein距离的度量，可量化数据集的短期和长期全局动态强度。通过分析我们出乎意料的强基线，我们展示了标准负采样评估如何不适用于具有强时间动态的数据集。我们还展示了简单负采样如何在训练期间导致模型退化，造成时间图网络产生无法排序、完全饱和的预测。我们提出了用于训练和评估的改进负采样方案，并证明了其实用性。我们与一种无负采样、非对比方式训练的模型进行了比较。我们的结果提供了一个具有挑战性的基线，并表明时间图网络架构在具有显著全局动态的问题（如社交媒体、加密货币市场或电子商务）中需要深度反思。我们开源了基线、度量和所提出的负采样方案的代码。