Correct & Smooth

研究质疑 GraphLLM 相较于简单基线的性能提升

一篇新的研究论文质疑了 GraphLLM 方法在文本属性图节点分类上报告的性能提升。研究发现，简单的基线方法，如基于 TF-IDF 特征的 Correct & Smooth 或基于 e5-large-v2 嵌入的 MLP，其表现通常与报告的基于 LLM 的方法相当，甚至更好。该论文还强调了现有研究中显著的评估风险，包括测试集污染、不当的超参数调整以及基线数字报告不一致等问题，这些问题可能会夸大 GraphLLM 的感知优势。