时间改变图路径含义：FastPath 算法深度解析

时间戳里藏着信息。同样是“吃了阿司匹林”，三天前吃和一年前吃，含义完全不同。传统嵌入方法往往只关注事件内容，把时间维度丢掉。FastPath 算法试图解决这个问题：它把带时间戳的事件序列变成向量，让“什么时候发生”成为向量的一部分。

FastPath 来自 Neo4j 的 Aura Graph Analytics 团队，无需训练，轻量高效。名字里的“Fast”名副其实——它不学习任何参数，只做几次确定的矩阵运算。

算法核心：随机签名网格

FastPath 的设计思路很直接。想象一个参考网格：每一列代表一个时间段，每一行代表一种事件类型（比如“服用阿司匹林”）。网格的每个交叉点放一个随机向量，叫做“锚签名”。同一类型、同一时间段的事件共享同一个签名；不同类型、或时间差距很大的事件，签名几乎独立。

这个网格只生成一次，所有节点复用，所以效率极高。

两步平滑：让时间连续

真实事件不会恰好落在网格点上。所以每个事件的向量，是它附近几个网格点签名的加权平均。平滑窗口决定取几个邻居，平滑速率决定权重集中度。这样，时间戳稍微一动，向量也跟着微调，不会跳变。

平滑速率调高，事件落进硬性时间段；调低，几秒和几天前的事件在向量空间里也可以很接近。

近期衰减：让旧事淡出

每个基础节点（如一个用户、一位病人）的最终向量，是所有事件向量的时间衰减加总。越靠近输出时间的事件权重越高，越久远衰减越厉害。衰减因子控制速度：大则只重近期，零则所有事件同等对待。

平滑和衰减作用在不同轴上：平滑决定单个事件在空间中的位置，衰减决定它对整体的贡献。

手算例子：乔吃阿司匹林

为了验证算法，作者给了一个能手工计算的小例子。病人 Joe，输出时间为 10。他有四个事件：第 3、9、10 天吃阿司匹林，第 0 天做了检查。经过过滤，第 10 天的事件因发生在输出时间点本身被排除，第 0 天的事件因太旧被排除。最后留下两次阿司匹林：一次 7 天前，一次 1 天前。

两次事件类型相同，差异完全来自时间。在四维空间里，老事件向量约 (−0.09, 1.00, 0.76, −0.76)，新事件约 (1.00, −0.24, 0.24, 1.00)。同样的事件，仅仅因为时间不同，向量完全不同。

回到例子，接着进行近期衰减：老事件权重 0.5，新事件 0.9，加总得到 Joe 的最终向量。下游模型就吃这个向量。

时间等变性：日历无关

如果把所有时间戳和输出时间一起平移 100 天，每个相对时间差不变，最终向量一模一样。模型只关心“多久之前”，不关心墙上的日历。这意味着用去年数据训练的模型，可以直接用于今年，无需重新训练。

这算图算法吗？

FastPath 没有消息传递，每个旅程独立嵌入，不学习任何东西，输出是单一路径的确定性函数。按图神经网络的标准，它几乎算不上图方法。

但这恰恰是优点。独立性带来天然并行，结果稳定可复现；确定性带来时间等变性。输入仍然是天然的图结构：一个基础节点，拖着一条穿过时间的事件节点路径。图数据库用 Cypher 的量化路径模式可以高效表达和验证。上游可以用 FastRP 从事件上下文学习更丰富的特征，下游可以用 KNN 把“相似”关系写回图里。FastPath 虽然核心是随机投影，但能很好地嵌入图分析工作流。