TGB 2.0: A Benchmark for Learning on Temporal Knowledge Graphs and Heterogeneous Graphs

多重关系时间图是用于建模现实世界数据、捕捉实体随时间演变和相互关联的强大工具。最近，出现了许多新颖的模型，用于在这种图上进行机器学习，加强了对稳健评估和标准化基准数据集的需求。然而，这种资源的可用性仍然很少，评估面临着实验协议再现性问题所带来的复杂性。为了应对这些挑战，我们引入了Temporal Graph Benchmark 2.0（TGB 2.0），这是一个新颖的基准测试框架，专门用于评估预测时间知识图和时间异构图上未来链接的方法，重点关注大规模数据集，并扩展了Temporal Graph Benchmark。TGB 2.0通过提供涵盖五个领域的八个新颖数据集，其中包含高达5300万条边缘，促进了全面评估。与现有数据集相比，TGB 2.0数据集在节点数、边缘数或时间戳方面显着更大。此外，TGB 2.0为多重关系时间图提供了可重复和现实的评估流程。通过广泛的实验，我们观察到：1）利用边缘类型信息对于获得高性能至关重要；2）简单的启发式基线方法通常与更复杂的方法竞争；3）大多数方法无法在我们最大的数据集上运行，突显了需要研究更可扩展方法的需求。

论文旨在解决多关系时序图的预测问题，并提供一个可靠的评估框架和标准基准数据集。当前该领域缺乏这样的资源和评估框架。

论文提出了Temporal Graph Benchmark 2.0（TGB 2.0），一个用于评估在多关系时序知识图和时序异构图上预测未来链接方法的基准框架。TGB 2.0提供了八个新数据集，涵盖五个领域，数据规模最大可达5300万条边。此外，TGB 2.0提供了可重复和真实的评估流程，通过实验证明了利用边类型信息对于获得高性能至关重要，同时简单的启发式基线方法通常与更复杂的方法竞争力相当。

论文提出的TGB 2.0框架和数据集规模较大，可用于评估多关系时序图的预测方法。实验结果表明，利用边类型信息对于获得高性能至关重要。此外，简单的启发式基线方法通常与更复杂的方法竞争力相当，而大多数方法无法在最大数据集上运行，需要更可扩展的方法进行研究。

最近的相关研究包括：1）Temporal Graph Benchmark（TGB）1.0，2）Multi-Relational Link Prediction on Large-Scale Heterogeneous Information Networks，3）Predicting Multiple Metrics for Queries on Temporal Graphs，4）Scalable Link Prediction in Multi-relational Graphs with Enhanced Random Walks。