본 논문은 전자상거래 웹사이트나 소셜 네트워크 등에서 사용자와 아이템 간의 상호 작용을 모델링하는 데 사용되는 텍스트 상호 작용 네트워크(TINs)에서 텍스트 상호 작용(TIC) 분류를 위한 새로운 아키텍처인 SAFT를 제안합니다. 기존 방법들이 맥락 없는 텍스트 임베딩 사용으로 풍부한 텍스트 의미를 포착하지 못하거나 TINs의 이분 구조 및 노드 이질성을 무시하는 문제점을 갖는 반면, SAFT는 언어 기반 모듈과 그래프 기반 모듈을 통합하여 텍스트 및 구조적 의미를 효과적으로 융합하는 표현 학습을 수행합니다. 특히, 선 그래프 어텐션(LGA)/게이트 어텐션 유닛(GAUs)과 사전 훈련된 언어 모델(PLMs)을 활용하여 상호 작용 수준 및 토큰 수준 신호를 모델링하고, 프록시 토큰을 통해 반복적이고 문맥화된 방식으로 결합합니다. 또한, 상호 작용에 관련된 지역 및 전역 토폴로지 정보를 구조적 임베딩으로 인코딩하는 효율적이고 이론적으로 grounded된 접근 방식을 개발했습니다. 결과적으로 생성된 임베딩은 TINs의 기저 구조적 특징을 텍스트 상호 작용 인코딩에 주입할 뿐만 아니라 그래프 샘플링 전략 설계를 용이하게 합니다. 여러 실제 TIN 데이터셋에 대한 광범위한 실험적 평가는 TIC 정확도 측면에서 SAFT가 최첨단 기준 모델보다 우수함을 보여줍니다.
