看完AdaTKG的摘要，我第一反应是：时间知识图谱推理终于摆脱了“实体表示一成不变”的桎梏。过去我们做TKG任务时，比如处理事件预测或时序链接预测，最头疼的就是实体表示一旦训练完成就“死”了——它只依赖参数，完全不记录该实体在历史交互中留下的痕迹。AdaTKG提出将每个实体建模为一个自适应过程，每当实体参与事实就动态优化其表示，这本质上是对时序动态性的更细粒度建模。我个人经验是，在金融交易或社交网络这类高频动态场景中，静态表示往往导致推理滞后，比如无法捕捉实体角色随时间突变的情况。AdaTKG这种“记忆更新”机制，类似RNN中的隐状态，但直接作用于实体嵌入，理论上能缓解长尾事件中的表示退化问题。不过，我有个疑问：动态优化会显著增加计算开销吗？尤其在实体数量百万级的TKG中，每步都更新嵌入是否可行？另外，这种机制是否只对近期交互敏感，而对早期重要交互的“遗忘”如何控制？从行业视野看，AdaTKG若能在效率上优化，可能推动TKG推理从“静态快照”转向“持续学习”范式，对事件推理、推荐系统等下游任务影响深远。期待作者公开代码细节！