近日，以通用人工智能与数字经济创新团队赵宇教授为通讯作者的研究论文“Representation Learning of Temporal Graphs with Structural Roles”被第30届知识发现与数据挖掘会议 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining, KDD 2024) 录用（Research Track）。今年KDD（Research Track）共收到有效投稿2046篇，录用率约为20%。

该研究提出了一种基于角色的时序图卷积网络（RTGCN），通过充分利用时序图中的全局结构角色信息以解决已有方法中的次优表示问题。RTGCN通过使用超图卷积神经网络，能够有效捕捉静态的全局结构角色。为了捕捉节点结构角色的演变，该研究进一步设计了基于结构角色的门控循环单元。同时，该研究在目标函数中整合了结构角色接近性，以保持全局结构相似性，进一步促进时序图表示学习。多个现实世界数据集上的实验结果表明，RTGCN在各种时序链接预测和节点分类任务中，一致优于最先进的时序图表示学习方法。

KDD是数据挖掘领域的顶级会议，被中国计算机学会(CCF)评级为A类会议。KDD包含两个Track，其中Applied Data Science Track面向工业、互联网和商业等实际数据科学应用场景，Research Track则聚焦于数据挖掘理论、技术和算法的创新性研究。 KDD是全球录取率最低的计算机会议之一，在知识发现、数据挖掘、人工智能等领域具有重大影响力。