每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

使用大型语言模型统一时间文本属性图的文本语义和图形结构

Created by
  • Haebom

作者

张思维、熊云、唐亚腾、徐家荣、陈曦、顾泽浩、郝学正、贾子安、张家伟

大纲

本文提出了一种用于建模时序文本属性图 (TTAG) 的新型框架 CROSS。传统的时序图神经网络 (TGNN) 静态嵌入文本信息，并依赖于优先考虑结构信息的编码机制，从而忽略了文本意义的时间演变以及意义与结构之间的相互作用。CROSS 通过将 TTAG 建模过程分解为两个步骤来应对这些挑战：时序语义提取和语义-结构集成。大规模语言模型 (LLM) 用于理解节点文本邻居随时间演变的上下文，时序语义提取器用于提取动态含义。然后，语义-结构联合编码器集成语义和结构信息以生成相互增强的表示。实验结果表明，CROSS 在四个公共数据集和一个工业数据集上实现了最佳性能。

Takeaways，Limitations

•
Takeaways：
◦
我们提出了 CROSS，一个用于建模时间文本属性图 (TTAG) 的有效框架。
◦
我们提出了一种使用大规模语言模型（LLM）从文本中动态提取时间意义的新方法。
◦
通过语义和结构信息的相互强化来增强表示学习。
◦
实验验证了该方法在各种数据集上相对于现有方法的性能提升。尤其是在时间链接预测和节点分类任务中，性能显著提升。
•
Limitations：
◦
由于使用 LLM，计算成本可能会增加。
◦
依赖于特定的 LLM。使用其他 LLM 时，性能可能会下降。
◦
需要对各类TTAG进行泛化性能验证。
◦
由于框架的复杂性，难以理解和实施。
👍
Made with Slashpage