THGFM: Dual-Branch Temporal Heterogeneous Graph Fusion Model
THGFM：双分支时序异构图融合模型
🧭 时序异构图表示学习
RWTH Aachen University · Fraunhofer FIT
双分支架构融合共享与类型特定时序注意力，配合旋转时序注意力，实现高效跨类型迁移与关系感知特化
📌 工作参考价值
- 双分支融合与类型门控：在电商多实体（用户/商品/查询）行为图建模中，可拆分为共享分支（捕捉通用模式）和关系类型特定分支（捕获关系语义），并通过类型条件门控动态平衡二者，避免共享与特化互斥，适合异构行为序列建模。
- 旋转时序注意力：将相对时间差以相位旋转注入注意力计算，可直接用于用户行为序列 Transformer，替代传统位置编码或加法时间嵌入，尤其适用于间隔不均匀的点击流建模。
- 非竞争融合机制：独立特征向门控允许同时增强两分支，而非 softmax 抑制，可迁移到多任务或多模态推荐中的特征融合层，保留更多互补信息。
- 工程实现轻量：门控融合仅在特征维度上加权，旋转编码无需额外参数，易于在现有 GNN/Transformer 推荐模型中增量集成。
动机：现实推荐与信息系统中，用户、商品、查询等实体通过多种关系动态交互，构成时序异构图。现有方法难以兼顾跨类型的参数高效转移和关系感知的特化，且时间信息常作为附加特征而非直接嵌入注意力核心，限制了时序动态的捕捉能力。
方法关键点：
- 双分支架构：共享空间时序注意力分支实现参数高效的跨类型模式共享；关系类型划分时序注意力分支针对每种关系独立建模，保留类型特异性。
- 类型条件非竞争门控融合：为两分支分配独立、类型条件的逐特征门控，允许同时放大或抑制，避免零和竞争，实现自适应融合。
- 旋转时序注意力：用相对时间差的一半作为相位旋转查询和键，在注意力计算中直接编码时间间隔，无缝集成到 Transformer 内核中。
关键结果：在 OAG-CS、PF、OGBN-MAG、HTAG 等学术异构图基准上，THGFM 六任务平均提升 +3.25%，其中链路预测 OAG-CS PV 最高提升 +12.37%，节点分类 PF-L₂ / L₁ 分别提升 +4.87% / +1.18%，在 OGBN-MAG、HTAG-ArXiv、HTAG-DBLP 上分别提升 +4.24%、+3.73%、+4.61%。