UniSAGE：利用超结构统一静态和动态属性
UniSAGE是一种统一框架，用于建模同时包含静态和动态属性的数据。它通过构建全局属性图、引入正交参数子空间以及轻量级超结构机制，实现了静态聚合和动态推理的联合学习。实验表明，UniSAGE在多个基准测试上性能提升超过10%。
近年来，随着数字数据的快速增长，现实应用越来越多地涉及结合静态属性与动态记录的层次化信息。例如，在用户画像中，静态属性如年龄和性别，与动态行为如点击和购买记录相互交织。然而，以统一且可泛化的方式建模此类异构数据仍然充满挑战。现有方法通常依赖大量人工设计，与特定数据模式紧密耦合，且往往孤立地处理静态和动态属性，忽视了它们之间的隐式交互。
针对这一问题，来自南京大学等机构的研究团队提出了UniSAGE框架。该框架首先构建一个全局属性图，将层次关系和时序关系整合到统一结构中。静态属性节点和动态记录节点通过边连接，形成一个包含所有信息的图网络。为了保证表示一致性，UniSAGE引入了两个正交的参数子空间，在共享语义空间内共同支持静态聚合和动态推理。这意味着模型能够同时学习静态特征的稳定模式和动态特征的时间变化规律，且不会互相干扰。
在此基础上，UniSAGE通过轻量级的超结构机制，进一步实现了静态与动态属性之间的任务特定交互。超结构是一种附加在全局属性图上的稀疏连接，可以根据具体任务动态调整，从而让模型关注最相关的跨属性依赖。UniSAGE是完全自动化的，无需人工特征工程，且对演变的数据模式具有鲁棒性，能够捕获复杂的跨属性依赖关系。
为了验证效果，研究团队在多个公共基准和一个真实世界金融行为数据集上进行了大量实验。结果显示，UniSAGE一致地优于现有方法，在多个任务上实现了超过10%的性能提升。特别是在金融欺诈检测和用户流失预测等任务中，UniSAGE展现出了显著的优越性。这一成果为处理同时包含静态和动态属性的复杂数据提供了高效且通用的解决方案，有望在推荐系统、风险评估和社交网络分析等领域得到广泛应用。