5、GTEA：基于时间边缘聚合的时态交互图归纳学习

GTEA：基于时间边缘聚合的时态交互图归纳学习

1 GTEA 框架概述

GTEA 提出了一种由时间编码器增强的序列模型来学习边的嵌入。学习到的边嵌入将通过具有稀疏注意力机制的 GNN 骨干与节点属性一起聚合，从而产生具有区分性的节点嵌入。此外，引入了额外的时间编码器来捕捉不规则的时间模式。通过这些设计，GTEA 能够为时态交互图（TIGs）生成具有区分性的表示。

1.1 学习交互序列的边嵌入

1.1.1 用序列模型进行交互动态建模

在 TIGs 中，一个节点与不同邻居的交互类型可能会有很大差异，但两个特定节点之间的交互模式通常随时间保持一致。因此，逐边建模交互行为比混合来自不同邻居的所有交互更合理。给定边 (u, v) 的交互历史 [e1uv, …, eSuvuv]，采用序列模型 Enci(·) 来学习交互动态：

˜euv = Enci([e1uv, ..., eSuvuv]),

其中 Enci(·) 表示交互编码器，˜euv 是表示交互序列的边嵌入。在实验中，使用 LSTM 和 Transformer 实现 Enci(·)。在 LSTM 中，用最后一个时间单元的隐藏输出来表示 ˜euv；对于 Transformer，由于交互通过自注意力与所有其他交互相关联，用与最后一次交互对应的嵌入来表示 ˜euv 就足够了。

1.1.2 用时间编码增强边特征

序列模型隐式假设连续输入之间的时间间隔在时间轴上是规则的，但 TIGs 中的交互并非如此。为了捕捉更复杂的与时间相关的交互模式，将 Enci