来源：公众号“AI in networks”

原文链接：https://mp.weixin.qq.com/s/InryV5I1tnW1dI8G_3DLxg?scene=1&click_id=69

作者：方陶然（浙江大学），邓焱（浙江大学），王春平（信也科技），王扬（信也科技），陈磊（信也科技），杨洋（浙江大学）

收录会议：IJCAI 2026

论文来源：

http://yangy.org/works/gnn/IJCAI26_UniSAGE.pdf

本文关注一类在真实业务中非常常见但建模难度较高的数据：同时包含静态属性（如年龄、职业）与动态记录（如交易流水），以JSON或半结构化表格存在，兼具嵌套层级与时间顺序。现有方法存在三个问题：①静态与动态分开建模，表示空间不一致；②与固定schema绑定过深，难以适应字段变化；③忽略静态与动态间的强交互（如风控中年龄与近期借款共同决定风险）。

为此，本文提出UniSAGE：将静态属性、动态记录及其层级/时间关系统一为全局属性图，自底向上聚合得到实体表示；设计正交参数子空间分别处理静态聚合与动态推理，避免干扰；提出轻量级超结构机制SSAgg捕捉静态-动态高阶交互。实验表明，UniSAGE在RelBench及真实金融数据集上均显著优于传统模型、静态/动态GNN及关系深度学习方法。

图1：UniSAGE整体框架

每个实体实例转为有向层次化图：静态属性按JSON嵌套递归生成节点；每条带时间戳的动态记录作为独立节点（子属性继续展开）。边分为两类：静态边表示层级包含关系（如“学校”→“教育信息”→“用户”）；动态边表示同一属性内的时间顺序（如记录1→记录2→记录3）。父节点仅连接到最新动态记录，减少冗余并保留最新状态。由此，层级与时间关系统一于图中。

为每个节点构造文本输入：叶子节点为“属性名：属性值”，中间节点为“属性名：[attribute flag]”，根节点为“[root flag]”。使用预训练文本编码器获得初始表示，使模型对schema变化更鲁棒，无需人工指定字段类型与聚合方式。

静态层级聚合与动态时序推理本质不同。UniSAGE设计两个正交参数子空间：静态子空间处理层级聚合，动态子空间处理时序传播（GRU）。通过正交损失约束子空间基向量内积接近零，降低相互干扰。静态边上主要在静态子空间聚合（辅以动态信息），动态边上主要在动态子空间更新（辅以静态信息）。信息自底向上传播至根节点，得到基础实体表示。

全局属性图已包含层级与时间，但下游任务常需静态-动态高阶交互（如风控中近期借款结合年龄职业）。显式构造超结构代价高。本文提出选择性语义聚合（SSAgg），在原始图上通过可学习得分与抑制项（门控机制）调节消息权重：不重要邻居权重压低，重要组合增强。无需新建超图即可模拟节点选择与结构重组。

论文给出了两个命题来说明 SSAgg 为什么能够模拟显式超结构。第一个命题说明，在给定中心节点和一组邻居节点的情况下，对于任意一个邻居节点，只要选择合适的打分函数，SSAgg 都可以使该邻居的聚合权重小于任意给定阈值。换句话说，SSAgg 可以近似“关闭”某些节点向中心节点传递消息的通道，这对应于显式超结构中的节点选择或边删除。

图2：命题1及公式27

第二个命题进一步说明，对于原图上的任意一个超结构子图，以及任意用于编码该超结构的 GNN，理论上都存在一组 SSAgg 参数，使得 SSAgg 在原图上得到的增强根节点表示可以等价于该 GNN 在超结构图上得到的表示。这个结论说明 SSAgg 不只是一个经验性的注意力模块，而是具有模拟显式超结构表达能力的理论保证。

图3：命题2及公式28

从直观上理解，显式超结构需要先回答“哪些节点重要”和“这些节点之间应该如何连接”两个问题；SSAgg则把这两个问题转化为消息权重学习问题。低权重消息相当于被删除，高权重消息相当于被保留或强化，因此模型可以在原图上以更低开销完成任务相关结构选择。

本文在公开关系数据库基准 RelBench 和真实金融行为数据集 UserBehavior 上评估 UniSAGE。所有原始数据都被转化为 JSON 格式，以检验模型对半结构化层次数据的处理能力。对比方法包括四类：传统特征抽取模型 MLP 和 LightGBM；静态图神经网络 GCN、GraphSAGE、GAT；动态图神经网络 TGN、TGAT、DyGFormer、FreeDyG；以及关系深度学习方法 RDL 和 RelGNN。

在这些基线中，传统模型主要依赖文本编码后的特征，静态 GNN 只能在固定图结构上传播，动态 GNN 强调时间信息，关系深度学习方法则针对关系数据库中的表间关系建图。UniSAGE与这些方法的区别在于，它以属性为中心，把静态属性和动态记录统一成一个属性级图，并进一步通过正交子空间和 SSAgg 建模跨类型交互。

RelBench结果：

在 RelBench 的实体分类任务中，UniSAGE 在所有评估任务上都取得了最优结果UniSAGE 相比传统特征模型平均提升 15.93%，相比 GNN 类方法平均提升 9.22%。在部分任务中，UniSAGE 相比第二优方法的提升接近 10%，说明其在不同领域、不同 schema 和不同任务上的表现较稳定。

静态 GNN 相比传统方法已经有明显提升，说明结构信息确实重要；但静态 GNN 的表现波动较大，难以稳定处理动态记录。动态图方法引入时间信息后并没有带来稳定的大幅提升，原因可能在于真实数据中的动态属性往往是异步的、长度不等的，并不满足很多动态图模型对统一时间线的假设。相比之下，UniSAGE 通过属性级构图和正交子空间传播，同时吸收了层级结构和时间依赖，因此整体表现更好。

图4：RelBench实体分类任务结果。

真实金融数据结果：

真实工业数据集 UserBehavior 包含 191,927 条用户记录，既有性别、教育、就业状态等静态人口属性，也有贷款申请、信用账户交易等动态行为日志。下游任务是二分类异常检测，即预测用户是否存在潜在信用风险。该数据集被严格匿名化，用于验证 UniSAGE 在真实复杂业务场景中的适用性。

实验结果显示，简单文本编码加 MLP 几乎无法取得有效区分能力，LightGBM 和静态 GNN 只带来有限提升。动态图模型进一步建模时间语义后有一定改善，但提升仍然有限。UniSAGE 在该数据集上达到 59.06 的 AUC-ROC，相比最强竞争基线 DyGFormer 的 54.61 有接近 10% 的相对提升。这说明在金融行为数据中，单独建模层级结构或时间序列都不够，统一建模静态属性、动态行为及其交互更为关键。

本文进一步在 rel-f1 driver-dnf 任务和 UserBehavior 数据集上进行了消融实验。仅保留图结构和自底向上传播时，模型表现明显较弱，说明简单地把 JSON 转成图并传播信息还不够。加入静态子空间和动态子空间后，性能有所提升，说明区分层级聚合和时序推理是必要的。

在不使用正交损失的情况下，静态和动态子空间可能在训练中发生语义漂移，从而削弱统一建模的效果；加入正交约束后，模型性能继续提升，说明该约束有助于稳定共享语义空间。最后，加入 SSAgg 后模型获得最佳结果，说明任务相关的超结构交互确实能够补充基础根节点表示，帮助模型捕捉静态属性和动态行为之间的关键组合关系。

本文提出 UniSAGE用于统一建模同时包含静态属性和动态记录的层次化数据。模型首先从 JSON 构造全局属性图，将层级关系和时间关系统一表示为静态边和动态边；然后利用正交参数子空间分别处理静态聚合和动态推理，获得一致的实体表示；最后通过 SSAgg 隐式模拟任务相关超结构，增强静态属性与动态记录之间的高阶交互。

实验表明，UniSAGE 在公开 RelBench 基准和真实金融行为数据集上均超过多类强基线，尤其在复杂 schema、异步动态记录和跨属性交互明显的场景中表现突出。整体来看，UniSAGE 的核心价值在于提供了一套自动化、可泛化、能够适应 schema 变化的层次化异构数据建模框架。