Bridging Local Details and Global Context in Text-Attributed Graphs

在文本属性图（TAGs）上进行表示学习对于实际应用至关重要，因为它们结合了语义文本和上下文结构信息。该领域的研究通常包括两个主要视角：局部级别编码和全局级别聚合，分别涉及文本节点信息的统一（例如使用语言模型）和结构增强建模（例如使用图神经网络）。大多数现有的工作都集中在结合不同的信息层面上，但忽略了节点之间的上下文文本信息，即提供语义洞察力以桥接局部和全局层面的信息。在本文中，我们提出了GraphBridge，这是一个多粒度集成框架，通过利用上下文文本信息来桥接局部和全局视角，增强了对TAGs的细粒度理解。此外，为了解决可扩展性和效率方面的挑战，我们引入了一个图感知的令牌减少模块。在各种模型和数据集上进行的广泛实验表明，我们的方法实现了最先进的性能，而我们的图感知令牌减少模块显著提高了效率并解决了可扩展性问题。

本论文旨在解决文本属性图（TAGs）上的表示学习问题，提出了一种新的框架GraphBridge，以融合局部和全局信息，并利用上下文文本信息来增强细粒度理解。

GraphBridge框架结合了局部编码和全局聚合两种方法，同时利用上下文文本信息来建立节点之间的联系，从而提高TAGs的细粒度理解。

本论文设计了实验来验证GraphBridge框架在各种模型和数据集上的性能，并引入了一个图感知的令牌减少模块来解决可扩展性和效率问题。实验结果表明，GraphBridge框架在性能上达到了最先进水平，而图感知的令牌减少模块显著提高了效率并解决了可扩展性问题。

在这个领域的相关研究包括使用语言模型和图神经网络来处理TAGs的方法，以及将不同信息级别相结合的方法。