时序链路预测：预测未来会不会出现某个事件关系。
事件演化预测：预测某个话题会不会扩散到某个实体、群体或平台。
一、TGB 2.0: A Benchmark for Learning on Temporal Knowledge Graphs and Heterogeneous Graphs
一个新的benchmark(基准测试平台)，一个新的基准测试框架，专门针对时态知识图和时态异构图上的未来链接预测方法(future link prediction)进行评估。
这篇论文的背景不是普通图，而是动态，多关系图。
TGB2.0的中心任务：多关系(人和人之间可以是"合作""敌对""发帖回复")时序图(关系还会随着时间变化)上的未来连接预测。
TGB 2.0 的价值 = 数据 + 评测协议 + 自动化工具链。
①:数据 TGB 2.0 的数据集在节点数、边数、时间戳数上都明显大于现有数据集。8 个新数据集，来自 5 个领域，最大有 5300 多万条边。
②:提供了评测协议：怎么划分训练/验证/测试，怎么做负采样，用什么指标，怎么过滤时间冲突，怎么保证别人复现出来一样的结果。
1、预备知识
①：Temporal Knowledge Graph（TKG）
TKG 是一组四元组 (s, r, o, t)。
s = subject，头实体
r = relation，关系类型
o = object，尾实体
t = 时间戳
例：(China, visits, France, 2024-01-10)
TKG 的重点是：边有类型，而且有时间
②：Temporal Heterogeneous Graph（THG）
THG 也是四元组集合，但额外有一个**节点类型函数，**给每个节点分配固定类型。
THG=TKG+节点类型
③：Temporal Graph Forecasting / Extrapolation
给定过去的时序多关系图，目标是预测未来时间的边，这个任务被表述成排序问题。 论文不是做简单 yes/no 预测，而是做candidate ranking。
④：Time Representations
事件表示有两种
(1) 离散时间：按时间切成快照
TKG用的是离散时间，因为很多知识图谱事实天然按天、年、时期记录，适合做 snapshot。而且很多 TKG 方法本来就是为离散时间设计的。
(2) 连续时间：把图看成按连续时间到来的事件流
THG用的是连续的时间，因为很多异质交互数据本来就是秒级事件流，比如：用户几点几分安装了 app，用户几点几分回复了帖子，谁在哪一秒打开/关闭了 PR。作者认为连续表示保留信息更多，因为连续可以再离散化，但离散后丢失的信息很难恢复。
二、TGB-Seq Benchmark: Challenging Temporal GNNs with Complex Sequential Dynamics
三、Improving Temporal Link Prediction via Temporal Walk Matrix Projection
现实中的很多动态系统都可以建模成时间图，节点是实体，带时间戳的边是交互；时间链路预测就是利用历史交互预测未来交互。
注：传统的图神经网络学习每个节点节点自己的表示，然后再把两个表示拿去做匹配，这样经常抓不住 pairwise information（节点对特有的信息）普通 GNN 更擅长表示"这个节点周围长什么样"，但链路预测需要的是"这两个节点之间有什么特殊关系"。
根据上面问题引出相对编码
相对编码(relative encoding) 即为图中每个相关节点加上一个针对当前待预测边的附加特征
例：假设现在要预测 (D, F, t3) 和 (D, A, t3) 哪个更可能。
如果某个中间节点 E 同时和 D、F 都有关系，那么对预测 D-F 来说，E 的"重要性"就更高。
这种"对当前目标边来说，哪个节点更关键"的信息，就能通过相对编码表达出来。
即相对编码在对图中的每个节点贴一个标签：对当前这条候选边来说，我离左端点多近？我离右端点多近？我是不是它们的共同邻居？我跟它们之间有多少时间路径？
问：这个相对编码和注意力GAT有啥区别呢
GAT 的注意力是在做"聚合邻居时，给哪个邻居更大权重"。
相对编码（relative encoding）是在做"对当前要预测的这条边 (u,v)，图里每个节点 w 跟 u/v的关系是什么"。
论文中提到：如上图所示A 和 F 局部结构很像，如果只靠普通邻居聚合，它们可能学出几乎一样的表示；但对候选边 (D,F) 和 (D,A)来说，中间节点 E 的相对编码不同，因此模型就能分清 D 更可能连谁
GAT 更像是消息传递的加权规则，相对编码更像是给节点补充一个'和当前目标边有关'的额外特征。论文里明确说了：如果只是独立地做邻居聚合，学出来的节点表示可能抓不住这对节点之间特有的 pairwise information；相对编码就是为了解这个问题，被作为额外节点特征注入进去的。
1、相对编码的三个缺陷
①：概念上不统一。过去的方法来自不同 heuristic（经验启发），彼此之间缺乏统一理解。
这导致我们虽然知道它们都有效，但不知道它们究竟在同一个更高层概念里是什么关系。
即不同的作者凭经验觉得某种关系可能有用，于是就那样设计了编码。
- "共同邻居可能重要" → 那就编码邻接关系
- "多步 walk 可能重要" → 那就数 temporal walk 条数
- "最短时序路径可能重要" → 那就做 reachability / shortest-walk 风格编码
- "被采样 walk 访问的概率可能重要" → 那就做 visit probability
②：设计上忽略时间。很多方法只基于结构连接关系构造相对编码，比如邻居、最短路径、walk 数量。但时间图里"最近发生"常常比"很久以前发生"更重要。
③：计算上低效 很多方法需要频繁图查询，甚至每个目标边都重新构造一遍编码。这会让相对编码本身成为推理瓶颈。
2、三大贡献
①：统一视角。把不同相对编码统一写成 时间随机游走矩阵的函数。这相当于给这个研究方向建立了一个"公共语言"。
②：新方法 TPNet。提出考虑时间衰减的新 temporal walk matrix，并用随机特征传播高效维护。
③：理论与实验分析。证明维护出来的节点表示，本质上是时间游走矩阵的随机投影，而且还能较好保留矩阵行之间的内积。实验则证明了精度和速度都好。
3、相对编码统一框架
传统方法：node-wise 相对编码：link-wise
①：node-wise
②：link-wise
link-wise 方法会为每个相关节点 w 构造一个相对编码 把它拼接到节点特征里，再去编码。不是直接说E这个节点是什么，而是说E对当前预测的边(u,v)有多重要，模型终于知道"当前在预测哪一对点"，而不是盲目学习一个通用节点表示 所以会更强。
相对编码=从目标节点触发，到某节点w的多阶时间游走统计的某种函数
4、核心方法
TPNet(时间游走矩阵)：在当前时刻 t，节点 u 和节点 v 之间，通过"符合时间顺序的路径"连接得有多强。
这里的"连接强"不是只看有没有路，还要看：
- 路有多少条
- 路有多长
- 路上的边是不是比较新。
所以它不是普通邻接矩阵，而是一个时间游走矩阵。
(1)最外层公式
①：A表示时间游走矩阵，行是起点节点，列是终点节点，表里的每个数字，表示"从这个起点到这个终点的某种时序连接强度"。
②：k表示只看 k-step temporal walk。
"k-step" 就是"走 k 步"。
例如：
- A(1)：只看 1 步的 temporal walk
- A(2)：只看 2 步的 temporal walk
- A(3)：只看 3 步的 temporal walk
所以不同的 ，对应不同"长度"的时序路径统计。
③：
从节点 u 到节点 v，在当前时刻 t 看过去，有多少"有价值的" k 步 temporal walk。
④：括号里的 t
这里的 t 表示当前时刻。这个很重要，因为 TPNet 是时间图模型。同样一条历史路径，在不同当前时刻去看，它的重要性会变。
比如：
- 在今天看，一条昨天的边很新
- 在一个月后看，同一条边就没那么新了
所以矩阵值依赖当前时刻 t。
⑤： 不是一条路径 而是一堆路径
所有从 u 到 v 的 k-step temporal walk 的集合。
⑥：W表示这堆 temporal walk 里面的某一条具体 walk
这里的w是一个序列 里面每一项都是 "节点"+"时间"。
⑦：s(W) 表示
这条 temporal walk W的分数。
也就是说，TPNet 不会把每条 walk 都当成一样重要。它会先给每条 walk 打分，再把所有 walk 的分数加起来。
整个意思：从 u 到 v 的所有 k 步 temporal walk，每条 walk 算一个分，把这些分全部相加。
(2)什么叫做 temporal walk
(3) TPNet给一条walk怎么打分
注：为什么要把这些权重乘起来
因为一条 walk 由很多步组成。TPNet 认为一条路径是否重要，不只看其中一步，而要看整条路径上的每一步是不是都足够新。如果一条 walk 里有好几步都非常久远，那这些衰减因子一乘，整条 walk 的分数就会很小。
所以：一条 walk 想得高分，最好整条路径都比较"新"。
公式的整个意思：
记住：
5、举个完整的例子：
6、如何保存信息
为什么不直接存整个游走矩阵
因为这个矩阵太大，而且太难算，它不是一个数，而是一整张表
虽然没有把大矩阵完整存下来，但很多重要的"相似度信息"还在。
这就让后面"从矩阵里读出相对编码"成为可能。
7、相对编码
