利用文本语义进行少样本和零样本文本属性图节点分类
计算与语言
2025-05-14 v1 人工智能
摘要
文本属性图（TAG）为每个图节点提供文本描述，基于TAG的少样本和零样本节点分类在学术和社交网络等领域具有广泛应用前景。现有工作利用各种图基增强技术来训练节点和文本嵌入，而文本基增强方法鲜有探索。本文提出文本语义增强（TSA）以提高准确率，通过为每个图节点或文本描述引入更多文本语义监督信号。具体而言，我们设计了两种增强技术，即正向语义匹配和负向语义对比，以为每个图节点或文本描述提供更多参考文本。正向语义匹配检索与图节点嵌入相似的文本进行匹配。负向语义对比通过添加负面提示构建语义相反的文本描述，并与原始节点和文本进行对比。我们在5个数据集上评估了TSA，并与13个最先进的基线方法进行比较。结果表明，TSA在所有基线方法上均表现出色，其准确率提升通常超过5%。
引用
@article{arxiv.2505.08168,
title = {Exploiting Text Semantics for Few and Zero Shot Node Classification on Text-attributed Graph},
author = {Yuxiang Wang and Xiao Yan and Shiyu Jin and Quanqing Xu and Chuang Hu and Yuanyuan Zhu and Bo Du and Jia Wu and Jiawei Jiang},
journal= {arXiv preprint arXiv:2505.08168},
year = {2025}
}