본 논문은 시간적 텍스트 속성 그래프(TTAGs)를 위한 새로운 프레임워크인 Cross를 제안합니다. 기존의 시간적 그래프 신경망(TGNNs)은 텍스트 정보를 정적으로 포함하고 구조적 정보에 치우쳐 시간적 텍스트 의미의 진화와 의미와 구조 간의 상호작용을 간과하는 경향이 있습니다. Cross는 대규모 언어 모델(LLMs)을 활용하여 텍스트 공간에서 동적인 의미를 추출하고 의미와 구조를 통합하는 표현을 생성합니다. 특히, 노드의 진화하는 텍스트 이웃의 문맥에 대한 시간적 의미 이해를 제공하는 시간적 의미 추출기(Temporal Semantics Extractor)와 의미 및 구조 정보를 공동으로 고려하여 상호 강화를 유도하는 의미-구조 공동 인코더(Semantic-structural Co-encoder)를 제안합니다. 실험 결과, 네 개의 공개 데이터셋과 하나의 산업용 데이터셋에서 Cross의 효과와 강건성을 입증합니다.
