↑↑↑关注后”星标“kaggle竞赛宝典kaggle竞赛宝典论文 作者：vachel，摘自时序人
WSDM 2022 | 时间序列相关论文一览
简介
上百数据实战技巧，欢迎关注Kaggle竞赛宝典。
论文标题：EvoKG: Jointly Modeling Event Time and Network Structure for Reasoning over Temporal Knowledge Graphs
论文地址：https://dl.acm.org/doi/10.1145/3488560.3498451
论文源码：https://namyongpark.github.io/evokg
论文摘要：我们如何在时间知识图（TKG）上进行知识推理？TKG 表示有关实体及其关系的事实，其中每个事实都与时间戳相关联。对 TKG 进行推理，即从时间演化的 KG 中推断出新的事实，对于许多应用程序提供智能服务至关重要。然而，尽管可以表示为 TKG 的现实世界数据普遍存在，但大多数方法都侧重于对静态知识图谱的推理，或者无法预测未来事件。在本文中，我们提出了一个问题公式，它统一了对 TKG 进行有效推理需要解决的两个主要问题，即建模事件时间和不断发展的网络结构。我们提出的方法 EvoKG 在一个有效的框架中联合建模这两个任务，该框架通过循环事件建模捕获 TKG 中不断变化的结构和时间动态，并基于时间邻域聚合框架对实体之间的交互进行建模。此外，EvoKG 使用基于神经密度估计的灵活高效机制实现了事件时间的准确建模。实验表明，EvoKG 在有效性（时间和链路预测准确率分别提高 77% 和 116%）和效率方面优于现有方法。
论文标题：Time Masking for Temporal Language Models
论文地址：https://dl.acm.org/doi/abs/10.1145/3488560.3498529
论文源码：https://github.com/guyrosin/tempobert
论文摘要：我们的世界在不断发展，网络上的内容也在不断发展。因此，我们的语言，通常被称为反映世界的语言，本质上是动态的。然而，大多数当前的上下文语言模型是静态的，无法适应随时间的变化。在这项工作中，我们提出了一种称为 TempoBERT 的时间上下文语言模型，它使用时间作为文本的附加上下文。我们的技术基于使用时间信息修改文本并执行时间掩蔽——针对补充时间信息的特定掩蔽。我们利用我们的方法来完成语义变化检测和句子时间预测的任务，在时间、大小、流派和语言方面对不同的数据集进行实验。我们的广泛评估表明，这两项任务都受益于利用时间掩蔽。
论文标题：Long Short-Term Temporal Meta-learning in Online Recommendation
论文地址：https://dl.acm.org/doi/10.1145/3488560.3498371
论文源码：-
论文摘要：一个有效的在线推荐系统应该在用户的内部行为（来自目标推荐任务）和外部行为（来自其他任务）中共同捕捉用户的长期和短期偏好。然而，由于实时训练效率和外部行为获取的现实限制，在充分利用大规模系统中所有历史行为的同时快速适应实时新趋势极具挑战性。为了应对这些实际挑战，我们提出了一种新颖的长短期时间元学习框架 (LSTTM) 用于在线推荐。它将用户多源行为安排在一个全局长期图和一个内部短期图上，并进行不同的基于 GAT 的聚合器和训练策略，分别学习用户的短期和长期偏好。为了及时捕捉用户的实时兴趣，我们提出了一种基于 MAML 的时间元学习方法，该方法采用异步优化策略进行快速适应，将不同时间段的推荐视为不同的任务。在实验中，LSTTM 在离线和在线评估上都取得了显著的进步。它已被部署在一个广泛使用的名为微信热门故事的在线推荐系统上，影响了数百万用户。
论文标题：ST-GSP: Spatial-Temporal Global Semantic Representation Learning for Urban Flow Prediction
论文地址：https://dl.acm.org/doi/10.1145/3488560.3498444
论文源码：https://github.com/k51/STGSP
论文摘要：城市流量预测在公共交通管理和智慧城市建设中发挥着至关重要的作用。虽然前人的研究在一定程度上整合了时空信息，但这些模型在时间维度上缺乏对全局信息和位置信息的考虑，可以概括为三个方面：a）模型没有考虑相对位置时间轴的信息，导致流图的位置特征没有得到有效的学习。b）它们忽略了不同尺度的时间依赖性之间的相关性，这导致了不准确的全局信息表示。c) 这些模型只预测时间序列末尾的流图，而不是之前的更多流图，这导致在学习过程中忽略了部分时间特征。为了解决这些问题，我们在本文中提出了一种新颖的模型，即用于城市流量预测的时空全局语义表示学习（ST-GSP）。具体来说，对于 a)，我们设计了一个语义流编码器，用于提取时间的相对位置信息。此外，编码器在每个时间间隔捕获城市流量的空间依赖性和外部因素。对于b），我们通过使用多头自注意力机制同时对不同尺度的时间依赖关系之间的相关性进行建模，该机制可以学习全局时间依赖关系。对于 c），受自我监督学习思想的启发，我们在时间序列上掩盖了城市流量图并预测它以预训练深度双向学习模型以从其上下文中捕捉表示。我们在北京和纽约市对两种类型的城市流进行了广泛的实验，以表明所提出的方法优于最先进的方法。
论文标题：Structure Meets Sequences: Predicting Network of Co-evolving Sequences
论文地址：https://dl.acm.org/doi/10.1145/3488560.3498411
论文源码：https://github.com/SoftWiser-group/SeeS
论文摘要：共同进化序列在各种应用中无处不在，其中不同的序列通常在本质上相互连接。我们将这些序列连同它们建模为结构化网络的固有连接一起称为协同进化序列网络（NoCES）。典型的 NoCES 应用包括道路交通监控、公司收入预测、动作捕捉等。迄今为止，由于网络结构和序列之间的耦合，对 NoCES 进行准确建模仍然是一项艰巨的挑战。在本文中，我们建议对 \pname\ 建模，目的是同时捕捉网络结构和序列之间的动态和相互作用。具体来说，我们提出了一个联合学习框架，以随着序列随着时间的推移而交替更新网络表示和序列表示。我们框架的一个独特之处在于它可以处理网络节点和边缘上都存在共同进化序列的情况。对四个真实数据集的实验评估表明，所提出的方法 (1) 在预测准确性方面优于现有竞争对手，并且 (2) 线性缩放序列长度和网络大小。
