摘要
时间图神经网络在通过自动提取时间模式来学习归纳表示方面已经展现出令人鼓舞的结果。然而，以往的研究通常依赖复杂的记忆模块或低效的随机游走方法来构建时间表示。为了解决这些局限性，我们提出了一种高效且有效的基于注意力机制的编码器，该编码器利用时间边编码和基于窗口的子图采样生成与任务无关的嵌入。此外，我们还提出了一种使用非对比自监督学习（non-contrastive SSL）的联合嵌入架构，能够在没有标签的情况下学习丰富的时序嵌入。实验结果表明，在7个基准数据集上，我们的模型在未来的链接预测任务中平均比最先进的基线模型在转换设置下高出4.23%，在归纳设置下高出3.30%，同时仅需5-10倍少的训练/推理时间。最后，通过实验分析和消融研究对所提出的框架的不同方面进行了探讨。代码已公开发布在 https://github.com/huawei-noah/noah-research/tree/master/graph_atlas。