本文提出了一种高阶结构时间图神经网络（HTGN），解决了现有时间图神经网络在链接形成和演变中忽视高阶结构的问题，并显著降低了内存成本。

本研究提出了一种新框架“Cross”，旨在解决时间图神经网络在处理时间文本属性图时对文本语义动态演变考虑不足的问题。通过利用大型语言模型提取文本动态语义，显著提高了对节点文本邻域演变的理解能力。实验结果表明，该方法在多个数据集上有效且鲁棒。

MGL4MEP是一种新型框架，用于学习和预测流行病。该框架融合了时间图神经网络和多模态数据，利用预训练语言模型和发现用户之间的潜在图结构，提供丰富的流行病动态指标。实验证明该框架在流行病预测和分析方面有效性高，能够全面了解流行病景观。