<mark id="oztn4"></mark>
0
| 本文作者： 陳淑瑜 | 2026-07-21 16:59 | 專題：IJCAI：國際人工智能聯合會議 |
題目：UniSAGE: Unifying Static and Dynamic Attributes with Hyper-Structure
作者：方陶然（浙江大學），鄧焱（浙江大學），王春平（信也科技），王揚（信也科技），陳磊（信也科技），楊洋（浙江大學）
收錄會議：IJCAI 2026
論文來源：
http://yangy.org/works/gnn/IJCAI26_UniSAGE.pdf
本文關注一類在真實業務中非常常見但建模難度較高的數據：同時包含靜態屬性（如年齡、職業）與動態記錄（如交易流水），以JSON或半結構化表格存在，兼具嵌套層級與時間順序。現有方法存在三個問題：①靜態與動態分開建模，表示空間不一致；②與固定schema綁定過深，難以適應字段變化；③忽略靜態與動態間的強交互（如風控中年齡與近期借款共同決定風險）。
為此，本文提出UniSAGE：將靜態屬性、動態記錄及其層級/時間關系統一為全局屬性圖，自底向上聚合得到實體表示；設計正交參數子空間分別處理靜態聚合與動態推理，避免干擾；提出輕量級超結構機制SSAgg捕捉靜態-動態高階交互。實驗表明，UniSAGE在RelBench及真實金融數據集上均顯著優于傳統模型、靜態/動態GNN及關系深度學習方法。
圖1：UniSAGE整體框架
每個實體實例轉為有向層次化圖：靜態屬性按JSON嵌套遞歸生成節點；每條帶時間戳的動態記錄作為獨立節點（子屬性繼續展開）。邊分為兩類：靜態邊表示層級包含關系（如“學校”→“教育信息”→“用戶”）；動態邊表示同一屬性內的時間順序（如記錄1→記錄2→記錄3）。父節點僅連接到最新動態記錄，減少冗余并保留最新狀態。由此，層級與時間關系統一于圖中。
為每個節點構造文本輸入：葉子節點為“屬性名：屬性值”，中間節點為“屬性名：[attribute flag]”，根節點為“[root flag]”。使用預訓練文本編碼器獲得初始表示，使模型對schema變化更魯棒，無需人工指定字段類型與聚合方式。
靜態層級聚合與動態時序推理本質不同。UniSAGE設計兩個正交參數子空間：靜態子空間處理層級聚合，動態子空間處理時序傳播（GRU）。通過正交損失約束子空間基向量內積接近零，降低相互干擾。靜態邊上主要在靜態子空間聚合（輔以動態信息），動態邊上主要在動態子空間更新（輔以靜態信息）。信息自底向上傳播至根節點，得到基礎實體表示。
全局屬性圖已包含層級與時間，但下游任務常需靜態-動態高階交互（如風控中近期借款結合年齡職業）。顯式構造超結構代價高。本文提出選擇性語義聚合（SSAgg），在原始圖上通過可學習得分與抑制項（門控機制）調節消息權重：不重要鄰居權重壓低，重要組合增強。無需新建超圖即可模擬節點選擇與結構重組。
論文給出了兩個命題來說明 SSAgg 為什么能夠模擬顯式超結構。第一個命題說明，在給定中心節點和一組鄰居節點的情況下，對于任意一個鄰居節點，只要選擇合適的打分函數，SSAgg 都可以使該鄰居的聚合權重小于任意給定閾值。換句話說，SSAgg 可以近似“關閉”某些節點向中心節點傳遞消息的通道，這對應于顯式超結構中的節點選擇或邊刪除。
圖2：命題1及公式27
第二個命題進一步說明，對于原圖上的任意一個超結構子圖，以及任意用于編碼該超結構的 GNN，理論上都存在一組 SSAgg 參數，使得 SSAgg 在原圖上得到的增強根節點表示可以等價于該 GNN 在超結構圖上得到的表示。這個結論說明 SSAgg 不只是一個經驗性的注意力模塊，而是具有模擬顯式超結構表達能力的理論保證。
圖3：命題2及公式28
從直觀上理解，顯式超結構需要先回答“哪些節點重要”和“這些節點之間應該如何連接”兩個問題；SSAgg則把這兩個問題轉化為消息權重學習問題。低權重消息相當于被刪除，高權重消息相當于被保留或強化，因此模型可以在原圖上以更低開銷完成任務相關結構選擇。
本文在公開關系數據庫基準 RelBench 和真實金融行為數據集 UserBehavior 上評估 UniSAGE。所有原始數據都被轉化為 JSON 格式，以檢驗模型對半結構化層次數據的處理能力。對比方法包括四類：傳統特征抽取模型 MLP 和 LightGBM；靜態圖神經網絡 GCN、GraphSAGE、GAT；動態圖神經網絡 TGN、TGAT、DyGFormer、FreeDyG；以及關系深度學習方法 RDL 和 RelGNN。
在這些基線中，傳統模型主要依賴文本編碼后的特征，靜態 GNN 只能在固定圖結構上傳播，動態 GNN 強調時間信息，關系深度學習方法則針對關系數據庫中的表間關系建圖。UniSAGE與這些方法的區別在于，它以屬性為中心，把靜態屬性和動態記錄統一成一個屬性級圖，并進一步通過正交子空間和 SSAgg 建模跨類型交互。
RelBench結果：
在 RelBench 的實體分類任務中，UniSAGE 在所有評估任務上都取得了最優結果UniSAGE 相比傳統特征模型平均提升 15.93%，相比 GNN 類方法平均提升 9.22%。在部分任務中，UniSAGE 相比第二優方法的提升接近 10%，說明其在不同領域、不同 schema 和不同任務上的表現較穩定。
靜態 GNN 相比傳統方法已經有明顯提升，說明結構信息確實重要；但靜態 GNN 的表現波動較大，難以穩定處理動態記錄。動態圖方法引入時間信息后并沒有帶來穩定的大幅提升，原因可能在于真實數據中的動態屬性往往是異步的、長度不等的，并不滿足很多動態圖模型對統一時間線的假設。相比之下，UniSAGE 通過屬性級構圖和正交子空間傳播，同時吸收了層級結構和時間依賴，因此整體表現更好。
圖4：RelBench實體分類任務結果。
真實金融數據結果：
真實工業數據集 UserBehavior 包含 191,927 條用戶記錄，既有性別、教育、就業狀態等靜態人口屬性，也有貸款申請、信用賬戶交易等動態行為日志。下游任務是二分類異常檢測，即預測用戶是否存在潛在信用風險。該數據集被嚴格匿名化，用于驗證 UniSAGE 在真實復雜業務場景中的適用性。
實驗結果顯示，簡單文本編碼加 MLP 幾乎無法取得有效區分能力，LightGBM 和靜態 GNN 只帶來有限提升。動態圖模型進一步建模時間語義后有一定改善，但提升仍然有限。UniSAGE 在該數據集上達到 59.06 的 AUC-ROC，相比最強競爭基線 DyGFormer 的 54.61 有接近 10% 的相對提升。這說明在金融行為數據中，單獨建模層級結構或時間序列都不夠，統一建模靜態屬性、動態行為及其交互更為關鍵。
本文進一步在 rel-f1 driver-dnf 任務和 UserBehavior 數據集上進行了消融實驗。僅保留圖結構和自底向上傳播時，模型表現明顯較弱，說明簡單地把 JSON 轉成圖并傳播信息還不夠。加入靜態子空間和動態子空間后，性能有所提升，說明區分層級聚合和時序推理是必要的。
在不使用正交損失的情況下，靜態和動態子空間可能在訓練中發生語義漂移，從而削弱統一建模的效果；加入正交約束后，模型性能繼續提升，說明該約束有助于穩定共享語義空間。最后，加入 SSAgg 后模型獲得最佳結果，說明任務相關的超結構交互確實能夠補充基礎根節點表示，幫助模型捕捉靜態屬性和動態行為之間的關鍵組合關系。
本文提出 UniSAGE用于統一建模同時包含靜態屬性和動態記錄的層次化數據。模型首先從 JSON 構造全局屬性圖，將層級關系和時間關系統一表示為靜態邊和動態邊；然后利用正交參數子空間分別處理靜態聚合和動態推理，獲得一致的實體表示；最后通過 SSAgg 隱式模擬任務相關超結構，增強靜態屬性與動態記錄之間的高階交互。
實驗表明，UniSAGE 在公開 RelBench 基準和真實金融行為數據集上均超過多類強基線，尤其在復雜 schema、異步動態記錄和跨屬性交互明顯的場景中表現突出。整體來看，UniSAGE 的核心價值在于提供了一套自動化、可泛化、能夠適應 schema 變化的層次化異構數據建模框架。
專題
本專題其他文章
