TKDE 2025年第3期研究热点与最新趋势

对数据挖掘研究领域前沿方向的跟踪是提高科研能力和制定科研战略的关键。本文通过图文并茂的方式介绍了IEEE Transactions on Knowledge and Data Engineering（简称为TKDE）的研究热点与最新趋势，帮助读者了解和跟踪数据挖掘的前沿研究方向。本文的作者是韩煦，审校为邓镝。

一、期刊介绍

TKDE（IEEE Transactions on Knowledge and Data Engineering，即知识与数据工程学报）是由IEEE Computer Society出版的双月刊，创刊于1989年。该期刊涵盖计算机科学、人工智能、电气工程、计算机工程等领域的知识和数据工程，旨在提供一个国际和跨学科的平台，用于传播知识和数据工程领域的新发展。其最新影响因子达到了8.9，年发文量更是增长到905篇（2024年）。

作为 IEEE 旗下的期刊，TKDE有着较高的知名度，且被列为CCF-A类期刊。2025年中科院分区公布，TKDE荣登一区TOP。

表1 2019–2024年TKDE发文量及影响因子统计

年度	年度发文量	影响因子（IF）	中科院大类分区
2024	905	8.9	2
2023	430	8.9	2
2022	269	9.23	2
2021	183	6.97	2
2020	174	4.93	2
2019	173	3.85	2

TKDE涵盖计算机科学、人工智能、电气工程、计算机工程及其他相关领域的知识与数据工程研究。本刊为国际化跨学科论坛，旨在传播知识与数据工程的新发展成果，并探索这些理念在硬件与软件中的可行性。

具体研究领域包括：

(1) 基于知识的专家系统的知识与数据工程研究

(2) 人工智能技术在知识与数据管理中的应用

(3) 知识与数据工程的工具与方法

(4) 分布式知识库与数据库处理

(5) 实时知识与数据库

(6) 基于知识与数据的系统架构

(7) 数据管理方法论

(8) 数据库设计与建模

(9) 查询、设计与实现语言

(10) 完整性、安全性与容错机制

(11) 分布式数据库控制

(12) 统计数据库

(13) 系统集成与建模

(14) 面向上述系统的算法

(15) 算法性能评估

(16) 系统的数据通信技术

(17) 上述系统的应用场景与实践

表2 录用论文标题中出现的高频主题词

高频主题	翻译
Graph Neural Networks	图神经网络
Temporal/Spatio-Temporal	时间/时空
Knowledge Representation	知识表示
Fake News Detection	假新闻检测
Trajectory Prediction	轨迹预测
Federated Learning	联邦学习
Contrastive Learning	对比学习
Meta-Learning	元学习
Causal Discovery	因果发现
Time Series	时间序列
Risk-Aware/Privacy-Preserving	风险感知/隐私保护
Multi-Modal	多模态

会议官网：https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=69

二、热点分析

本期共录用44篇论文，从这些论文中的高频主题词组生成的词云图如图1所示。

图1 高频词组生成的词云图

当前人工智能与数据科学领域的研究趋势聚焦于图神经网络驱动复杂系统建模（如异构图、超图与对比学习融合）、时空数据预测革新（扩散模型与图Transformer突破动态环境建模瓶颈）、隐私计算与可信AI技术深化（联邦学习与动态加密保障数据安全），同时知识表示与因果推理（知识超图与大语言模型结合）和少样本动态适应方法（元学习与PU优化应对开放环境挑战）共同推动模型可解释性与泛化能力，而大模型逻辑验证与轻量化技术并行发展则标志技术生态从单一性能优化转向多维度。

1. Graph Learning（图学习）

题目	核心内容
Boosting GNN-Based Link Prediction via PU-AUC Optimization	基于GNN的链接预测优化方法
HG-SCC: A Subgraph-Aware Convolutional Few-Shot Classification Method on Heterogeneous Graphs	异构图上的子图感知分类方法
MagicNet: Memory-Aware Graph Interactive Causal Network for Multivariate Stock Price Movement Prediction	结合记忆机制的图因果网络用于金融预测
Mitigating the Tail Effect in Fraud Detection by Community Enhanced Multi-Relation Graph Neural Networks	社区增强的多关系GNN反欺诈模型
Graph Condensation: A Survey	图压缩技术的系统性综述
HPST-GT: Full-Link Delivery Time Estimation Via Heterogeneous Periodic Spatial-Temporal Graph Transformer	异构图Transformer用于物流时效预测

2. Temporal/Spatio-Temporal（时空数据分析）

题目	核心内容
CLEAR: Spatial-Temporal Traffic Data Representation Learning for Traffic Prediction	交通流量的时空表征学习
AISFuser: Temporal Attribute Modeling for Vessel Trajectory Prediction	船舶轨迹的时空属性建模
STCDM: Spatio-Temporal Contrastive Diffusion Model for Check-In Sequence Generation	时空对比扩散模型用于用户签到序列生成
Learning Latent and Changing Dynamics in Real Non-Stationary Environments	非平稳环境中的动态时空模式学习
Spatio-Temporal Prediction on Streaming Data: A Unified Federated Continuous Learning Framework	流式数据的联邦时空预测框架
HPST-GT: Full-Link Delivery Time Estimation Via Heterogeneous Periodic Spatial-Temporal Graph Transformer	异构图Transformer用于物流时效预测

3.Knowledge Representation（知识表示）

题目	核心内容
CoreSense: Social Commonsense Knowledge-Aware Context Refinement for Conversational Recommender System	融合常识知识的对话推荐系统
HyCubE: Efficient Knowledge Hypergraph 3D Circular Convolutional Embedding	知识超图的三维循环卷积嵌入
LLM-Driven Causal Discovery via Harmonized Prior	大语言模型驱动的因果知识发现
DASKT: A Dynamic Affect Simulation Method for Knowledge Tracing	动态情感模拟的知识追踪方法

4. Fake News Detection（虚假新闻检测）

题目	核心内容
EN: Evidence-Based AMR Attention Network for Fake News Detection	基于抽象语义表示（AMR）的证据推理模型
MHR: A Multi-Modal Hyperbolic Representation Framework for Fake News Detection	多模态双曲空间表示框架

三、总结与展望

当前研究呈现三大共性趋势：

(1)技术融合：图神经网络、因果推理、联邦学习等技术的交叉应用

(2)场景驱动：面向金融、交通、医疗等领域的垂直优化

(3)可信AI：隐私、公平性、模型可解释性成为核心评估维度

上述的热门研究方向与最新趋势是根据TKDE 2025年第3期的论文进行归纳和分析得到的，希望本篇内容能够为读者提供一些有价值的参考。