面向大型动态图推荐的即时表示学习

基于摘要分析。本文研究推荐系统中快速演化的多重异构用户行为图：节点和边的增删会引起邻域扰动，使依赖邻居聚合的表示学习受到影响，并增加模型重新训练的需求。作者提出图神经网络 SUPA，以及面向大型动态图单遍在线增量训练的工作流 InsLearn。 SUPA 采用 sample-update-propagate 架构：每当出现新边，先采样受影响的子图，再更新发生交互的两个节点的表示，最后将交互信息传播到采样子图。其核心思路是围绕新交互局部更新表示，而非沿用邻居聚合架构处理图变化。摘要将节点与边的增删列为问题背景，但所述更新流程以新增边为例，删除事件的具体处理方式尚未验证。 作者报告，在六个真实世界数据集的实验中，SUPA 表现出良好的泛化能力，并优于十六种基线方法；摘要未提供数据集名称、评价指标、具体数值、划分方式及基线配置，不能据此判断优势幅度或跨数据集泛化能力。作者提供了源码地址，但代码完整性、运行条件、实验协议、消融及统计信息尚未验证。复现时值得核对事件顺序、子图采样策略，以及单遍训练的准确性与计算开销权衡。 平台推测（待验证）：若 EEG 研究已将通道或脑区关系建模为随时间变化的图，局部更新与传播机制或可用于降低动态图表示更新成本；这是机制层面的迁移假设，不是已证实的 BCI 效果。可考虑复用事件驱动更新流程，但需重新定义连续 EEG 中的节点、边、事件触发条件和训练监督。低信噪比导致的边波动、跨被试通道差异及小数据条件可能使局部更新不稳定。一个可检验的小实验是在同一 EEG 动态图和相同数据划分下，对比局部事件更新与完整邻居聚合的任务指标、更新耗时及噪声敏感性。已有 EEG 相关工作尚未检索确认。