Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation (TKDE)

问题：如图1(a)所示的时序图展示了节点在连续时间内的动态交互，在现实生活中有着广泛的应用，比如比特币交易网络、电子商务购买网络、电影评分网络和社交网络。然而，如图1(b)和图1(c)所示，现有建模时序图的方法只能生成有限邻居的动态表征，这样不仅导致节点表征性能低下，而且在线推理的延迟高。其中图1(b)展示的离散时间建模方法将连续时间的时序图划分为若干离散时间的图快照，每个快照内部的动态变化会被忽略；图1(c)展示的采样模型只能按照采样算法提取有限的邻居，不能展示节点完整的动态表征，同时也受限于采样算法的高延迟操作。

创新点：因此，本文提出了一种基于整体时序邻域进行时间图卷积的新方法，即时序聚合和传播图神经网络（TAP-GNN）。具体来说，本文首先分析了在消息传递范式中展开时间图进行动态表征计算的复杂性。为了解决有限邻居和高计算代价的问题，本文提出了AP模块，通过重用历史的节点表征，显著减少了历史邻居的重复计算，实现了多层图神经网络的时序图推理。在各种真实时序图上的实验结果表明，TAP-GNN优于现有的时间图方法，并且在预测性能和在线推理延迟方面都有很大的优势。

本文的贡献可以总结如下： 

• 形式化了时序图上的节点动态表征问题，并在理论和经验上分析了复杂度；

• 提出了一种有效的AP 块来对节点的整个时序邻域执行图卷积，其计算复杂度仅线性正比于时间边的数量；

• TAP-GNN 框架提供动态节点表征，并支持在AP 块之上构建的图流场景中的在线推理；

• 实验结果表明，TAP-GNN 在预测性能和在线推理延迟方面都优于现有的时间图方法。