.png){kind=icon}
返回
DIPM: Constructing information propagation methods on interaction graph networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.134004.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在许多实际应用中，用户-物品关系等双分交互自然形成一类随时间持续演化的时序交互图。有效建模此类动态图对于表征节点状态演化和捕捉交互动态至关重要。然而，现有的动态图神经网络方法仍面临两大主要局限：（1）高频节点（如活跃用户或热门物品）倾向于主导信息传播过程，导致语义表征不足和整体多样性降低；（2）许多方法将交互边上的双向传播视为对称处理，忽略了同一交互可能以不同方式影响其两端节点的事实。实践中，新边对连接节点的影响通常不同，取决于其历史邻居分布或先前交互频率等因素。为解决这些挑战，我们提出动态信息传播矩阵（DIPM），一种能动态调节节点间信息传播强度与方向的原理性机制。DIPM通过引入渐进度归一化机制，将高频节点抑制和边上的双向差异化传播整合到统一框架中，确保时序消息传递的公平性与表达能力。此外，我们将DIPM融入加权扩散方程，可根据参数选择调整传播平滑度，有效缓解GNN中常见的过平滑问题。在多个基准数据集上的广泛实验表明，DIPM显著提升了下游推荐性能。总体而言，本研究为时序交互图引入了灵活有效的传播框架，为平衡效率、语义丰富度与时间适应性提供了新见解。
Keyword:
Temporal interaction graphs
Dynamic graph neural networks
Information propagation
Node state evolution
Over-smoothing mitigation
