Researchers of temporal networks (e.g., social networks and transaction networks) have been interested in mining dynamic patterns of nodes from their diverse interactions. Inspired by recently powerful graph mining methods like skip-gram models and graph neural networks (GNNs), existing approaches focus on generating temporal node embeddings sequentially with nodes' sequential interactions. However, the sequential modeling of previous approaches cannot handles the transition structure between nodes' neighbors with limited memorization capacity. In detail, an effective method for the transition structures is required to both model nodes' personalized patterns adaptively and capture node dynamics accordingly. In this article, we propose a method, namely transition propagation graph neural networks (TIP-GNN), to tackle the challenges of encoding nodes' transition structures. The proposed TIP-GNN focuses on the bilevel graph structure in temporal networks: besides the explicit interaction graph, a node's sequential interactions can also be constructed as a transition graph. Based on the bilevel graph, TIP-GNN further encodes transition structures by multistep transition propagation and distills information from neighborhoods by a bilevel graph convolution. Experimental results over various temporal networks reveal the efficiency of our TIP-GNN, with at most 7.2% improvements of accuracy on temporal link prediction. Extensive ablation studies further verify the effectiveness and limitations of the transition propagation module. Our code is available at https://github.com/doujiang-zheng/TIP-GNN.

中文翻译：

---

时间网络的转换传播图神经网络。

时间网络（例如，社交网络和交易网络）的研究人员一直对从不同的交互中挖掘节点的动态模式很感兴趣。受最近强大的图挖掘方法（如 skip-gram 模型和图神经网络 (GNN)）的启发，现有方法侧重于通过节点的顺序交互顺序生成时间节点嵌入。然而，先前方法的顺序建模无法处理记忆容量有限的节点邻居之间的转换结构。详细地说，需要一种有效的过渡结构方法来自适应地建模节点的个性化模式并相应地捕获节点动态。在这篇文章中，我们提出了一种方法，即转移传播图神经网络（TIP-GNN），解决编码节点转换结构的挑战。所提出的 TIP-GNN 侧重于时间网络中的双层图结构：除了显式交互图之外，节点的顺序交互也可以构建为转换图。基于双层图，TIP-GNN 进一步通过多步转移传播对转移结构进行编码，并通过双层图卷积从邻域中提取信息。各种时间网络的实验结果揭示了我们的 TIP-GNN 的效率，时间链接预测的准确性最多提高了 7.2%。广泛的消融研究进一步验证了转换传播模块的有效性和局限性。我们的代码可在 https://github.com/doujiang-zheng/TIP-GNN 获得。所提出的 TIP-GNN 侧重于时间网络中的双层图结构：除了显式交互图之外，节点的顺序交互也可以构建为转换图。基于双层图，TIP-GNN 进一步通过多步转移传播对转移结构进行编码，并通过双层图卷积从邻域中提取信息。各种时间网络的实验结果揭示了我们的 TIP-GNN 的效率，时间链接预测的准确性最多提高了 7.2%。广泛的消融研究进一步验证了转换传播模块的有效性和局限性。我们的代码可在 https://github.com/doujiang-zheng/TIP-GNN 获得。所提出的 TIP-GNN 侧重于时间网络中的双层图结构：除了显式交互图之外，节点的顺序交互也可以构建为转换图。基于双层图，TIP-GNN 进一步通过多步转移传播对转移结构进行编码，并通过双层图卷积从邻域中提取信息。各种时间网络的实验结果揭示了我们的 TIP-GNN 的效率，时间链接预测的准确性最多提高了 7.2%。广泛的消融研究进一步验证了转换传播模块的有效性和局限性。我们的代码可在 https://github.com/doujiang-zheng/TIP-GNN 获得。s 的顺序交互也可以构建为转换图。基于双层图，TIP-GNN 进一步通过多步转移传播对转移结构进行编码，并通过双层图卷积从邻域中提取信息。各种时间网络的实验结果揭示了我们的 TIP-GNN 的效率，时间链接预测的准确性最多提高了 7.2%。广泛的消融研究进一步验证了转换传播模块的有效性和局限性。我们的代码可在 https://github.com/doujiang-zheng/TIP-GNN 获得。s 的顺序交互也可以构建为转换图。基于双层图，TIP-GNN 进一步通过多步转移传播对转移结构进行编码，并通过双层图卷积从邻域中提取信息。各种时间网络的实验结果揭示了我们的 TIP-GNN 的效率，时间链接预测的准确性最多提高了 7.2%。广泛的消融研究进一步验证了转换传播模块的有效性和局限性。我们的代码可在 https://github.com/doujiang-zheng/TIP-GNN 获得。各种时间网络的实验结果揭示了我们的 TIP-GNN 的效率，时间链接预测的准确性最多提高了 7.2%。广泛的消融研究进一步验证了转换传播模块的有效性和局限性。我们的代码可在 https://github.com/doujiang-zheng/TIP-GNN 获得。各种时间网络的实验结果揭示了我们的 TIP-GNN 的效率，时间链接预测的准确性最多提高了 7.2%。广泛的消融研究进一步验证了转换传播模块的有效性和局限性。我们的代码可在 https://github.com/doujiang-zheng/TIP-GNN 获得。