超越单粒度提示：基于图的多尺度链律提示学习
计算与语言
2026-01-27 v4 人工智能
摘要
“预训练-提示”范式旨在弥合预训练任务与下游目标之间的差距，已从NLP领域扩展到图领域并取得显著进展。当前主流的图提示调谐方法使用可学习的提示向量修改输入或输出特征。然而，现有方法局限于单一粒度（如节点级或子图级）进行提示生成，忽略了图数据中固有的多尺度结构信息，这限制了提示语义的多样性。为解决此问题，我们首次将多尺度信息集成到图提示中，提出了多尺度图链律提示（MSGCOT）框架。具体而言，我们设计了一个轻量级低秩 coarsening 网络，高效地捕获多尺度结构特征作为层次基向量用于提示生成。随后，模仿人类认知从粗到细的粒度，动态地在每个推理步骤中整合多尺度信息，形成渐进的粗到细提示链。广泛的实验在八个基准数据集上表明，MSGCOT超过了最先进的单粒度图提示调谋方法，尤其在少样本场景下表现尤为突出，展示了卓越的性能。代码已公开：https://github.com/zhengziyu77/MSGCOT。
引用
@article{arxiv.2510.09394,
title = {Beyond Single-Granularity Prompts: A Multi-Scale Chain-of-Thought Prompt Learning for Graph},
author = {Ziyu Zheng and Yaming Yang and Ziyu Guan and Wei Zhao and Xinyan Huang and Weigang Lu},
journal= {arXiv preprint arXiv:2510.09394},
year = {2026}
}
备注
Accepted by WWW2026