TDG-Mamba：一种基于双向信息传播的高级时空嵌入技术，用于时序动态图的学习

《IEEE Transactions on Computational Social Systems》：TDG-Mamba: Advanced Spatiotemporal Embedding for Temporal Dynamic Graph Learning via Bidirectional Information Propagation

针对动态时序图（TDGs）建模中的计算复杂度高和时空关系捕捉不足问题，本文提出TDG-mamba方法，融合双向mamba架构和时空优先令牌模块（SPTM），结合单向GNN优化时空嵌入，在多个公开数据集上验证其性能提升。

　　

摘要：

时间动态图（TDGs）用于表示实体及其关系随时间的动态演变，同时包含复杂的时间特征，在各种现实世界领域中得到广泛应用。现有方法通常依赖Transformer和图神经网络（GNNs）等主流技术来捕捉TDGs的时空信息。然而，尽管这些方法具有先进的功能，但它们往往面临较高的计算复杂性和有限的捕捉时间动态上下文关系的能力。最近，出现了一种名为mamba的新模型架构，该架构以其捕捉序列中复杂依赖关系的能力而著称，同时显著降低了计算复杂性。在此基础上，我们提出了一种名为TDG-mamba的新方法，该方法将mamba集成到TDG学习中。TDG-mamba通过专门设计的时空先验分词模块（SPTM）将深度语义时空嵌入引入mamba架构中。此外，为了更好地利用时间信息差异并增强图结构动态变化的建模，我们分别设计了双向mamba和有向GNN以改进时空嵌入学习。在多个公共数据集上的链接预测实验表明，我们的方法表现更优，在各种设置下的平均性能提升达到了5.11%。

引言

时间动态图（TDGs）在现代技术环境中非常普遍，特别是在社交网络[1]、交通网络[2]、电子商务网络[3]等领域[4]、[5]、[6]、[7]、[8]中。这些网络展示了实体及其关系随时间的动态演变，具有复杂的时间特征。目前，图表示学习（GRL）[9]、[10]已成为研究这些网络演变的重要方法。GRL的主要技术包括网络嵌入[11]、[12]、[13]和图神经网络（GNNs）[14]、[15]、[16]。网络嵌入通过各种局部结构直接学习节点嵌入，而GNNs采用消息传递框架，通过归纳聚合函数处理节点信息，从而能够泛化到未见过的节点或新图。然而，传统的图表示学习方法主要针对静态图设计，无法充分捕捉图数据的动态特征[17]、[18]。因此，开发能够有效处理TDGs、捕捉复杂时间依赖关系和结构动态变化的模型，已成为提高图表示学习效果的关键方向。