面向大规模动态图推荐的即时表征学习

基于摘要分析。本文研究推荐系统中多种用户行为构成的动态多重异构图，提出图神经网络 SUPA 与在线增量训练流程 InsLearn，以应对图持续变化引起的 Neighborhood Disturbance（邻域扰动），减少依赖图显著变化后重新训练的局限。 核心机制：不同于邻居聚合架构，SUPA 采用 sample-update-propagate 架构。对于每条新边，模型采样受影响子图，更新发生交互的两个节点的表征，再将交互信息传播至采样子图。InsLearn 则用于大规模动态图的单遍在线增量训练。其依赖的数据结构是持续到达的交互边及多类型节点、边；具体采样策略、更新函数、损失与监督方式尚未验证。摘要提及节点和边可新增或删除，但该机制如何处理删除事件仍需查阅正文。 作者报告，在六个真实世界数据集上的实验中，SUPA 具有良好泛化能力，并优于十六种被作者称为 state-of-the-art 的基线。摘要未提供数据集名称、推荐指标、划分方式或具体数值，因而不能判断增益幅度及比较条件；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务可表示为随时间更新的通道或脑区交互图，局部采样与增量传播或可用于减少全图重算；这是机制迁移假设，并非已证实的 BCI 效果。可复用的是局部更新流程，需改造的是连续 EEG 到离散边事件的构建方式及任务监督。低信噪比可能制造伪边，跨被试或通道变化可能破坏节点对应，小数据也可能使在线更新不稳定。一个可证伪的小实验是在固定通道的 EEG 顺序数据上，以相同图构建和监督条件比较局部增量更新与邻居聚合基线，同时记录任务性能和更新耗时；数据划分及归一化不得使用后续数据。已有 EEG 相关工作尚未检索确认。