近年來，隨著數字資料的快速增長，現實應用越來越多地涉及結合靜態屬性與動態記錄的層次化資訊。例如，在使用者畫像中，靜態屬性如年齡和性別，與動態行為如點選和購買記錄相互交織。然而，以統一且可泛化的方式建模此類異構資料仍然充滿挑戰。現有方法通常依賴大量人工設計，與特定資料模式緊密耦合，且往往孤立地處理靜態和動態屬性，忽視了它們之間的隱式互動。
針對這一問題，來自南京大學等機構的研究團隊提出了UniSAGE框架。該框架首先構建一個全域性屬性圖，將層次關係和時序關係整合到統一結構中。靜態屬性節點和動態記錄節點透過邊連線，形成一個包含所有資訊的圖網路。為了保證表示一致性，UniSAGE引入了兩個正交的引數子空間，在共享語義空間內共同支援靜態聚合和動態推理。這意味著模型能夠同時學習靜態特徵的穩定模式和動態特徵的時間變化規律，且不會互相干擾。
在此基礎上，UniSAGE透過輕量級的超結構機制，進一步實現了靜態與動態屬性之間的任務特定互動。超結構是一種附加在全域性屬性圖上的稀疏連線，可以根據具體任務動態調整，從而讓模型關注最相關的跨屬性依賴。UniSAGE是完全自動化的，無需人工特徵工程，且對演變的資料模式具有魯棒性，能夠捕獲複雜的跨屬性依賴關係。
為了驗證效果，研究團隊在多個公共基準和一個真實世界金融行為資料集上進行了大量實驗。結果顯示，UniSAGE一致地優於現有方法，在多個任務上實現了超過10%的效能提升。特別是在金融欺詐檢測和使用者流失預測等任務中，UniSAGE展現出了顯著的優越性。這一成果為處理同時包含靜態和動態屬性的複雜資料提供了高效且通用的解決方案，有望在推薦系統、風險評估和社交網路分析等領域得到廣泛應用。