我们提出了TNCN，是NCN的时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。TNCN在五个真实世界数据集上验证，其中三个实现了最先进表现。TNCN在处理大型数据集上表现出了出色的可扩展性，速度超过了GNN基线最多6.4倍。

该研究提出了FaSTMAN框架，用于构建顺序交易的时间图，通过加权方法量化边的重要性，并在小而密集的网络流中分配复杂查询。评估结果显示该框架在效率和实用性上具有优势。

该文介绍了一种基于时间图的动态链接属性预测方法，提出了一个简单的无优化基线“最近流行节点”，在数据集上表现优异。作者提出了两种基于Wasserstein距离的度量方式，用于量化数据集的短期和长期全局动态的强度，并证明了标准的负采样评估对于具有强时间动态的数据集可能不适用。作者还提出了改进的负采样方案，并与非对比训练的模型进行了比较，结果表明时间图网络架构在具有重大全局动态的问题中需要进行深入的思考。

研究提出了FaSTMAN框架，用于构建顺序交易的时间图，适用于领域特定约束条件。该框架使用二阶图表示的加权方法来量化边的重要性，能够在更小而密集的网络流中分配复杂查询。经过多个大型欧洲银行的10亿个交易数据集的评估，结果表明该框架在效率和实用性上具有明显的优势。

Temporal Graph Benchmark是一个大规模数据集，用于评估机器学习模型在时间图上的性能。研究发现，对于动态节点属性预测任务，简单的方法比现有的时间图模型表现更好，并提供了一个自动化的机器学习流程用于时间图研究。