DyGPrompt：在动态图上学习特征和时间提示

May, 2024

DyGPrompt：在动态图上学习特征和时间提示

DyGPrompt: Learning Feature and Time Prompts on Dynamic Graphs

Xingtong Yu, Zhenghao Liu, Yuan Fang, Xinming Zhang

TL;DR本研究提出了一种针对动态图建模的新型预训练和提示框架 ——DyGPrompt，通过在任务目标和动态变化之间设立双重提示，以及利用节点和时间特征相互刻画的双重条件网络，来有效填补现有静态图的预训练模型在节点分析等下游任务中的缺口。通过在三个公共数据集上进行广泛实验评估和分析，证明了 DyGPrompt 的有效性。

Abstract

Dynamic graphs are pervasive in the real world, modeling dynamic relations between objects across various fields. For dynamic graph modeling, dynamic graph neural networks (DGNNs) have emerged as a mainstream technique, which are generally pre-trained on the link prediction task, leavi

dynamic graph modeling dynamic graph neural networks pre-training prompt-based learning evolving node-time patterns

发现论文，激发创造

GraphPrompt: 将图神经网络的预训练和下游任务统一

本文提出了一个新的在图上进行预训练和提示的框架 GraphPrompt，可以将预训练和下游任务统一到一个通用的任务模板中，并使用可学习的提示来以一种特定于任务的方式帮助下游任务定位来自预训练模型的最相关知识。在五个公共数据集上展开了广泛的实验来评估和分析 GraphPrompt。

Feb, 2023

多任务预训练和图上提示的 MultiGPrompt

在本文中，我们提出了 MultiGPrompt，一种新颖的多任务预训练和提示框架，用于利用多个预设任务获取更全面的预训练知识，并通过预设和全局提示指导少样本情境下的后续任务。我们进行了六个公共数据集上的大量实验来评估和分析 MultiGPrompt。

Nov, 2023

广义图提示：走向图上预训练和下游任务的统一

GraphPrompt 是一种基于图的新型预训练和提示框架，通过统一预训练和下游任务，并使用可学习的提示来帮助下游任务以任务特定的方式定位来自预训练模型的最相关知识，进一步提升了预训练和提示方面的性能。

Nov, 2023

图预训练与提示学习在推荐中的应用

基于 GNN 的推荐系统可以通过多跳消息传递模型化复杂的用户 - 物品交互，但现有方法往往忽视用户 - 物品交互的动态性，限制了在实际动态环境下的可扩展性和性能。本研究提出了 GraphPL 框架，结合了高效的动态图预训练和提示学习，使 GNN 能够有效捕捉长期用户偏好和短期行为动态，从而提供准确及时的推荐。我们的 GraphPL 框架通过无缝集成的时间提示机制和图结构提示学习机制来解决用户偏好的变化挑战，同时不需要连续增量训练即可将预训练的知识转化为行为动态适应能力。我们还引入了动态评估设置来模拟真实动态场景，并在大规模工业部署中进行了大量实验证明了我们 GraphPL 的轻量级插件可扩展性，并强调 GraphPL 在效果、稳健性和效率方面的优势。

Nov, 2023

图神经网络的提示调整

本研究探索了 Graph Prompt 作为预训练 GNN 模型适应下游任务的有效替代方法，通过对下游图形的图形级转换进行任务特定的图形提示来实现，从而实现与微调相当甚至在某些情况下获得显著性能提升。

Sep, 2022

一体化：用于图神经网络的多任务提示

本文引入了提示方法来弥补预训练模型与各种图形任务之间的差距，并提出了一种新的用于图形模型的多任务提示方法。经过实验，结果表明我们的方法优越性。

Jul, 2023

神经网络下的动态图表征学习：综述

本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

Apr, 2023

图形提示方法调查：技术、应用和挑战

通过基于结构化图形的触发方法，绕过传统的大规模标注数据集，提高深度学习的泛化能力，使预训练模型更具适应性。

Mar, 2023

HGPROMPT: 少样本提示学习中的齐次和非齐次图之间的桥接

本文提出了 HGPROMPT，一个新颖的预训练和提示框架，通过双模板设计来统一预训练和下游任务，以及同质和异质图，并通过对下游任务的双提示来帮助定位最相关的先验知识，以弥合由于特征变化和任务间的异质性差异导致的差距，并通过对三个公共数据集进行全面的实验评估和分析。

Dec, 2023

图神经网络的统一图选择性提示学习

近年来，图式提示学习 / 调整在适应预训练模型的图表示学习中引起了越来越多的关注。本文提出了一种新的统一的图选择提示特征学习（GSPF）方法来进行图神经网络的微调，该方法能够集成对图节点和边进行提示学习，并且通过集中关注重要的节点和边来选择性地进行提示学习，从而使得模型更加可靠和紧凑。实验结果表明了所提出的 GSPF 方法的有效性和优势。

Jun, 2024