CADReN：面向可控跨图节点重要性估计的上下文锚点驱动关系网络
人工智能
2024-02-09 v1 计算与语言
信息检索
摘要
节点重要性估计 (NIE) 对于通过检索增强生成将外部信息集成到大语言模型中至关重要。传统方法侧重于静态、单图特征，缺乏对新图和用户特定需求的适应性。我们提出的方法 CADReN 通过引入上下文锚点 (CA) 机制来解决这些局限性。该方法使网络能够结合知识图谱 (KG) 中的结构和语义特征，评估节点相对于 CA 的重要性。大量实验表明，CADReN 在跨图 NIE 任务中取得了更优的性能，并具备零样本预测能力。CADReN 也被证明在单图 NIE 任务上能够匹配先前模型的性能。此外，我们引入并开源了两个专门为跨图 NIE 研究设计的新数据集 RIC200 和 WK1K，为该领域的未来发展提供了宝贵资源。
引用
@article{arxiv.2402.05135,
title = {CADReN: Contextual Anchor-Driven Relational Network for Controllable Cross-Graphs Node Importance Estimation},
author = {Zijie Zhong and Yunhui Zhang and Ziyi Chang and Zengchang Qin},
journal= {arXiv preprint arXiv:2402.05135},
year = {2024}
}
备注
8 pages, 6 figures