该研究发表于NeurIPS-2022，针对动态图链路预测现有评估体系的不足，提出了更严格的评估方案：首先通过TEA（时间边缘出现）图和TET（时间边缘流量）图两种可视化技术，发现动态图中大量边缘会随时间重复出现；基于此提出纯记忆基线EdgeBank（含全记忆EdgeBank∞和时间窗口记忆EdgeBankₜw两种变体），其在多场景下表现出惊人竞争力；为解决现有负采样策略中“简单负边缘”问题，引入历

这张图清晰展示了“预训练打底 → 提示调优适配下游”先在通用动态图任务（链路预测）上预训练，让模型学会动态图的基础交互规律；再用 “双提示 + 双条件网络” 针对性调整，让预训练模型能适配下游具体任务（如节点分类），既复用预训练知识，又解决任务差异和时间变化的问题。简单说，就是“先学通用能力，再用提示定制化适配”，这也是当前预训练 + 提示调优范式的核心逻辑～

这张图清晰展示了“预训练打底 → 提示调优适配下游”先在通用动态图任务（链路预测）上预训练，让模型学会动态图的基础交互规律；再用 “双提示 + 双条件网络” 针对性调整，让预训练模型能适配下游具体任务（如节点分类），既复用预训练知识，又解决任务差异和时间变化的问题。简单说，就是“先学通用能力，再用提示定制化适配”，这也是当前预训练 + 提示调优范式的核心逻辑～