图卷积网络实战：如何用2个时间变量构建高效时序图结构

1次阅读

没有评论

共计 2201 个字符，预计需要花费 6 分钟才能阅读完成。

传统的图卷积网络（GCN）在处理时序数据时面临两个核心问题：

时间信息丢失：静态图结构无法反映节点状态随时间演变的特性，例如社交网络中用户兴趣的漂移或交通流量的周期性变化
动态关系缺失：固定邻接矩阵难以捕捉节点间随时间变化的交互模式，比如电商场景中用户 - 商品交互图的实时更新

我们提出通过两个时间维度变量构建动态图结构：

时间切片（Temporal Slicing）：将连续时间离散化为多个时间窗口，每个窗口内构建静态快照图
状态转移（State Transition）：在不同时间切片之间建立节点状态转移边，形成跨时间依赖

时间窗口划分
设总时间跨度为 T，窗口大小为 τ，得到 N =T/ τ 个时间切片
每个切片 t∈[0,N-1]包含该时段内的所有节点和边
跨时间边连接
为每个节点添加从 t 到 t + 1 的自连接边
可选：根据业务逻辑添加跨时间片的异构图边

import torch
import torch_geometric as tg
from torch_geometric.data import Data

class TemporalGraphBuilder:
    def __init__(self, window_size, num_nodes):
        self.window_size = window_size  # 单个时间片时长
        self.num_nodes = num_nodes      # 节点总数

    def build_snapshot(self, node_features, edge_index, t):
        """构建单个时间片图结构"""
        return Data(x=node_features[t],  # shape: [num_nodes, feature_dim]
            edge_index=edge_index[t],  # shape: [2, num_edges]
            t=t * torch.ones(self.num_nodes)  # 时间戳标记
        )

    def add_temporal_edges(self, snapshots):
        """添加时间维度边连接"""
        temporal_edges = []
        for i in range(len(snapshots)-1):
            # 构建节点 ID 偏移量（不同 snapshot 相同节点 ID 不同）offset = i * self.num_nodes
            next_offset = (i+1) * self.num_nodes

            # 添加自循环时间边
            edges = torch.stack([torch.arange(offset, offset + self.num_nodes),
                torch.arange(next_offset, next_offset + self.num_nodes)
            ])
            temporal_edges.append(edges)

        return torch.cat(temporal_edges, dim=1)

# 示例用法
num_nodes = 100
num_timesteps = 20
window_size = 5

# 模拟动态节点特征和边
node_features = [torch.randn(num_nodes, 64) for _ in range(num_timesteps)]
edge_indices = [tg.utils.random_geometric_graph(num_nodes, 0.2).edge_index 
               for _ in range(num_timesteps)]

# 构建时序图
builder = TemporalGraphBuilder(window_size, num_nodes)
snapshots = [builder.build_snapshot(node_features, edge_indices, t) 
            for t in range(0, num_timesteps, window_size)]
temporal_edges = builder.add_temporal_edges(snapshots)

# 合并成全图数据
full_graph = tg.data.Batch.from_data_list(snapshots)
full_graph.temporal_edges = temporal_edges

我们在三个基准数据集上进行了测试：