基于扩张图的时序图重构

现实世界网络中演化的关系通常由时序图来建模。时序图神经网络（TGNN）通过图神经网络（GNN）核心的消息传递原语来建模此类图的演化行为。众所周知，GNN因输入图的拓扑结构而面临若干问题，如欠覆盖和过度压扁——我们认为这些问题在时序图中尤其可能因陈旧节点和边而加剧。尽管图重构技术在GNN中屡见不鲜，以改善消息传递的图拓扑结构，但在TGNN中却未得到广泛应用。本文提出了时序图重构（TGR），即我们所知最初的时序图重构方法。TGR通过利用扩张图传播，构建时序图中时程遥远节点之间的消息传递高速公路，实现连续时间动态图的重构。扩张图传播是静态图重构中常用且假设最少的框架。我们在具有挑战性的TGB基准测试中，TGR在tgbl-review、tgbl-coin、tgbl-comment和tgbl-flight数据集上实现了当时最好的结果。对于tgbl-review数据集，TGR相较于基本TGN模型实现了50.5%的MRR提升，相较于基本TNCN模型实现了22.2%的提升。显著的性能提升表明了时序图重构的显著优势。