本论文提出了一种新的神经网络方法，利用动态图表达用户-物品关系的演变，以更好地解决基于链接预测的推荐服务问题，实验证明在用户-物品关系随时间变化的场景中，该方法可以获得更好的预测结果，同时揭示了现有方法在面对这种变化时的严重影响。

Nov, 2018

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

提出了新的评估过程和数据集，以更好地比较不同方法在时间演化图中的强弱，并提出了EdgeBank纯记忆基线，该基线有效地解决了当前评估设置中容易的负面边问题，并通过提出更具挑战性的负采样策略改进了鲁棒性和更好地匹配了现实世界的应用。

Jul, 2022

最近发布的时间图基准被分析在动态链接属性预测的背景下，我们提出了一个简单的无优化基线，即“最近流行节点”，在时间图基准的所有中型和大型数据集上优于其他方法。我们提出了两种基于Wasserstein距离的度量方式，可以量化数据集的短期和长期全局动态的强度。通过分析我们出乎意料的强基线，我们展示了标准的负采样评估对于具有强时间动态的数据集可能不适用。我们还展示了简单的负采样在训练过程中可能导致模型退化，导致无法排名的、完全饱和的预测结果。我们提出了改进的负采样方案，用于训练和评估，并证明了它们的有用性。我们与非对比训练的模型进行了比较，没有进行负采样。我们的结果提供了一个具有挑战性的基准，并表明时间图网络架构在具有重大全局动态的问题中，如社交媒体、加密货币市场或电子商务中，需要进行深入的思考。我们公开发表了基线、测量和提出的负采样方案的代码。

Sep, 2023

使用基于元学习原理的新型模型对新节点的动态链接预测进行建模，通过在时间编码器和预测器中融入元学习范式，实现了对新节点的快速适应并取得了卓越的性能。

Oct, 2023

通过广泛的实验，我们研究了训练动态图神经网络时时间粒度对性能和鲁棒性的影响，发现复杂的记忆机制和合适的时间粒度对于在动态链接预测任务中获得竞争力和鲁棒性的动态图神经网络至关重要。我们还讨论了考虑模型和数据集中的局限性，并提出了未来关于时间图时间粒度的研究方向。

Nov, 2023

这篇论文介绍了多视角反馈-注意力耦合（MPFA）模型，它能有效地学习观察到的过程的交织动态，通过结合演化视角和原始视角的信息，以及利用时间自注意机制和反馈注意力模块来捕捉流动图上的长期依赖关系。实验证明了我们提出的模型的有效性和竞争力。

Dec, 2023

通过将节点定义为牛顿对象并引入速度的概念，我们提出了一种新的时间链接预测方法，通过计算每个节点的具体动态，而不是整体动态，提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面，使下游分类模型的性能提高了17.34%（相对于基准模型）并针对时间链接预测问题提供了一个可解释的层。

Jan, 2024

本研究通过重新构建动态连接预测作为链接预测任务，更好地考虑了数据中的时间信息，解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。

Jun, 2024

本研究解决了动态图学习中对持续时间信息反应不灵敏和缺乏泛化能力的问题。我们提出的DyG-Mamba模型，利用不规则时间间隔作为控制信号，展现出显著的鲁棒性和泛化能力。实验结果显示，DyG-Mamba在动态链接预测和节点分类任务中，大多数数据集取得了最先进的性能，同时在计算和内存效率上也有显著提升。

Aug, 2024