본 논문은 구조화된 그래프 데이터와 노드의 풍부한 텍스트 정보를 통합하는 문제, 특히 이종친화성 노드 분류 문제에 대해 다룹니다. 기존 접근 방식은 계산 비용이 많이 들거나 서로 다른 모달리티를 효과적으로 융합하는 데 어려움을 겪습니다. 이에 본 논문에서는 그래프 신경망(GNN)과 사전 훈련된 언어 모델(PLM)을 효율적으로 결합하는 새로운 아키텍처인 그래프 마스크 언어 모델(GMLM)을 제안합니다. GMLM은 (i) 확장 가능한 PLM 텍스트 처리를 위한 동적 활성 노드 선택 전략, (ii) 학습 가능한 그래프 [MASK] 토큰을 사용한 소프트 마스킹을 이용한 GNN 특화 대조적 사전 훈련 단계, (iii) RGCN 기반 GNN 임베딩과 PLM(GTE-Small & DistilBERT) 임베딩을 통합하는 전용 융합 모듈의 세 가지 핵심 혁신을 도입합니다. 이종친화성 벤치마크(Cornell, Wisconsin, Texas)에 대한 광범위한 실험을 통해 GMLM의 우수성을 보여줍니다. 특히, GMLM(DistilBERT)는 기존 최고 성능 기준 모델에 비해 Cornell에서는 4.7% 이상, Texas에서는 2.0% 이상 정확도가 향상되는 상당한 성능 향상을 달성합니다. 본 연구는 텍스트가 풍부한 그래프에서 효율적이고 향상된 학습을 위한 목표 지향적 PLM 참여와 모달리티 특화 사전 훈련의 이점을 강조합니다.