Towards Adaptive Neighborhood for Advancing Temporal Interaction Graph Modeling

时间图网络（TGNs）已经展现出了在建模时间交互图方面的显著性能。这些工作可以通过对目标节点周围邻居的编码来生成时间节点表示。然而，现有TGNs的固定、手工制定的邻域编码规则的固有限制忽视了适应性和可学习邻域的必要性，这种邻域可以适应不同的时间戳的个性化和时间演变。在本文中，我们旨在通过引入自适应邻域编码机制来增强现有的TGNs。我们提出了SEAN，这是一个灵活的即插即用模型，可以与现有的TGNs无缝集成，有效提高它们的性能。为了实现这一目标，我们将自适应邻域编码过程分解为两个阶段：（i）代表性邻居选择和（ii）时态感知邻域信息聚合。具体而言，我们提出了代表性邻居选择器组件，它可以自动确定目标节点最重要的邻居。它提供了对每个节点独特周围环境的量身定制的理解，有助于个性化。随后，我们提出了时态感知聚合器，通过选择性地确定聚合路径的利用和衰减过时信息来合成邻域聚合，使我们的模型能够在聚合过程中自适应地利用上下文显著和当前信息。我们将SEAN集成到三个代表性的TGNs中，通过在四个公共数据集和本文介绍的一个金融基准数据集上评估它们的性能进行了广泛的实验。结果表明，SEAN始终在所有模型中领先于性能，实现了SOTA性能和出色的鲁棒性。

本论文旨在增强现有的TGN模型，引入自适应邻域编码机制，以提高其性能。

通过引入代表性邻居选择器和时态感知邻域信息聚合器两个组件，将自适应邻域编码过程分解为两个阶段，以实现个性化和时态适应性。

论文的实验结果表明，SEAN模型可以有效地提高现有TGN模型的性能，并在四个公共数据集和一个金融基准数据集上实现了SOTA性能和出色的鲁棒性。

最近的相关研究包括《Temporal Graph Networks: A Survey》、《Adaptive Graph Convolutional Networks》等。