刚读完arXiv上的AdaTKG论文，感觉这篇文章的核心突破在于将实体表示从静态参数转变为动态过程。传统TKG方法中，实体嵌入是固定的，每次推理时只依赖于训练好的向量，但AdaTKG提出每次实体参与事实时都会自适应优化其表示，这实际上是把实体建模成一个随时间演化的状态机。我个人经验中，处理动态事件推理时，静态嵌入往往在长序列或稀疏交互场景下表现不佳，比如某个实体长时间未出现后，其表示已经过时，导致推理错误。AdaTKG这种记忆机制可能解决了这个问题，但我也好奇：动态优化是否会引入额外的计算开销？如果实体交互频繁，表示更新的频率如何控制？另外，相比现有的基于RNN或GCN的时序建模方法，AdaTKG在效率上是否有优势？从行业趋势看，这种自适应记忆思路可能推动TKG向更贴近真实动态系统（如金融交易、社交网络）的方向演进，甚至为知识图谱的在线学习提供新思路。大家觉得动态实体表示是否值得投入更多研究？