本文提出了一种基于 Temporal Graph Network 的动态网络表示学习的新方法，通过提取因果匿名步的高度自定义的消息生成函数。我们提供了一个基准管道以评估时间网络嵌入，并通过边 / 节点分类任务的各种传导 / 归纳检验来证明我们模型的优越性能。此外，我们还展示了我们模型在真实世界的下游图机器学习任务中的适用性和优越性能。

Aug, 2021

本研究提出了一种为动态网络生成图层嵌入的新方法，包括构建多层图和使用改进的随机游走生成节点的时间上下文，再利用一个深度学习模型生成图层嵌入，并在公开数据集上进行了评估和比较。

Jun, 2023

通过综合调查学习了时间知识图谱表示学习及其应用，包括定义、数据集、评估指标、核心技术分类、方法分析以及与时间相关的下游应用，并对未来研究方向进行了展望。

Mar, 2024

TiPNN 模型以历史时间图为基础，采用统一的图结构来全面捕捉和封装历史信息，并利用查询感知的时间路径模拟与查询相关的历史路径信息，从而实现对时间知识图的推理，并在归纳设置下取得显著性能提升。

Sep, 2023

开发了一种具有不确定性量化的图嵌入模型 TransformerG2G，通过利用先进的转换编码器从当前状态 ($ t $) 和先前上下文（在时间戳 [$ t-1，t-l $] 上，$ l $ 是上下文的长度）中首先学习中间节点表示。

Jul, 2023

本文提出了基于超伯利模型的时间图网络（HTGN），旨在通过利用超伯利几何的指数能力和层次意识来捕捉时变行为并保持层次信息，从而在时间图嵌入方面取得更好的效果。在多个真实数据集上的实验结果表明，HTGN 在各种时间链接预测任务中的表现优于竞争方法。

Jul, 2021

该论文提出了一种节点嵌入方法，通过学习时间图的节点和边的演变，利用一种时间节点嵌入模型进行不同的图形预测任务，并通过合并历史嵌入，优化每个特定任务来创建一个节点的时间嵌入。评估表明，与竞争基线和算法替代方案相比，我们的算法在许多数据集和基线上都显示出性能改进，并且在较不凝聚、具有较低聚类系数的图形中效果特别显著。

Mar, 2019

该论文通过使用时态点过程和变分自编码器提出了一种无需人工边缘指定的模型，学习推断节点间的时间关注力，从而具有更大的灵活性和更好的性能，用于动态链接预测任务。

Sep, 2019

本研究通过整合时间和因果关系的方式，提出 TC-GAT 模型并用于因果关系提取任务，在编译了包括时间关系在内的数据集基础上，进行了实验表明其比基线模型更为有效。

Apr, 2023

本研究提出了一种名为 TGNet 的新的需求预测模型，它集成了图网络和时间导向嵌入，能够高效提取复杂的时空模式，并在其三个实际数据集中取得了与基线模型相当的预测表现，在参数数量上却大幅节省。

May, 2019