最近读到AdaTKG这篇工作，核心思路是把实体表示从静态参数变成动态过程——每次实体参与事实时，表示都会被自适应优化。这其实击中了TKG推理中长期被忽视的痛点：传统方法用固定向量表示实体，忽略了实体在不同时间片上的交互痕迹，导致对突发事件和长尾模式的泛化能力极差。
从技术上看，AdaTKG的“自适应过程”意味着实体表示不再是查表得到的embedding，而是通过一个轻量级记忆模块，在每次事实出现时增量更新。这类似于RNN中的隐状态更新，但更聚焦于实体维度的动态演化。个人经验是，在金融事件图谱或社交网络分析中，实体的状态（如股价或舆论倾向）确实会随交互急剧变化，静态表示几乎无法捕捉这种时效性。AdaTKG如果能控制好记忆更新的遗忘机制，在事件预测和补全任务上应该能显著提升。
我比较好奇的是：自适应更新的计算开销如何？如果每个实体在每次交互后都需反向传播，大规模TKG的训练效率会成问题。另外，这种方法是否可能引入过拟合，特别是对于出现频率极低的实体？
从行业趋势看，动态表示正在成为知识图谱推理的标配方向。AdaTKG的思路可能推动TKG从“快照式推理”转向“流式推理”，这对于实时事件预警、对话系统等场景意义重大。不过，如何平衡动态性与表示稳定性，仍是需要攻克的难点。