PulseAugur
中
实时 18:05:56
English(EN) PromptGNN-sim: Deep Fusion and Alignment of GNN and LLMs for Text-Attributed Graph Learning

新的PromptGNN-sim框架融合GNN与LLM，以增强图学习能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出PromptGNN-sim，一个新颖的框架，通过深度整合图神经网络（GNN）与大语言模型（LLM）来增强文本属性图（TAGs）的学习能力。这种双向方法解决了现有将文本和图结构分开处理方法的局限性。PromptGNN-sim采用图注意力网络（GAT）进行上下文感知的邻域选择，并为LLM生成结构感知提示。通过跨模态对比学习和交叉注意力，该框架联合优化GNN和LLM组件，在各种数据集上展现出优于传统GNN、LLM和其他GNN-LLM融合技术的性能。 AI

影响 通过实现文本语义与图结构之间更深层次的交互，增强了图学习能力，有望在复杂数据分析任务中提高性能。

排序理由 该集群包含一篇详细介绍图学习新框架的研究论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的PromptGNN-sim框架融合GNN与LLM，以增强图学习能力

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Zhifei Hu, Alexandra I. Cristea ·

    PromptGNN-sim: 用于文本属性图学习的GNN与LLM的深度融合与对齐

    arXiv:2606.30291v1 Announce Type: new Abstract: Text-Attributed Graphs (TAGs) combine textual semantics with graph structure and are central to many graph learning tasks. However, existing fusion methods often treat text and structure as separate inputs in a shallow, one-way pipe…

  2. arXiv cs.AI TIER_1 English(EN) · Alexandra I. Cristea ·

    PromptGNN-sim: 用于文本属性图学习的GNN与LLM的深度融合与对齐

    Text-Attributed Graphs (TAGs) combine textual semantics with graph structure and are central to many graph learning tasks. However, existing fusion methods often treat text and structure as separate inputs in a shallow, one-way pipeline, which limits deep interaction between moda…

相关实体

相关话题