基于大语言模型的动态文本属性图全局-近期语义推理
计算与语言
2025-09-24 v1
摘要
动态文本属性图以其随时间演化的图交互与关联文本属性为特征，在现实应用中普遍存在。现有方法如图神经网络与大型语言模型主要关注静态 TAG。将这些现有方法扩展至 DyTAG 具有挑战性，因为它们在很大程度上忽略了近期-全局时间语义：交互文本间的近期语义依赖与节点随时间的全局语义演化。此外，将 LLM 应用于 DyTAG 中大量且不断演化的文本面临效率问题。为应对这些挑战，我们提出 Dynamic Global-Recent Adaptive Semantic Processing (DyGRASP)，一种利用 LLM 与时间 GNN 在 DyTAG 上进行高效且有效推理的新方法。具体而言，我们首先设计了一种以节点为中心的隐式推理方法，结合滑动窗口机制以高效捕获近期时间语义。此外，为捕获节点的全局语义动态，我们利用带有定制提示的显式推理与类 RNN 链式结构来推断长期语义。最后，我们通过更新与合并层将近期与全局时间语义以及动态图结构信息进行精细整合。在 DyTAG 基准上的大量实验证明了 DyGRASP 的优越性，在目标节点检索任务的 Hit@10 上实现高达 34% 的提升。此外，DyGRASP 在不同时间 GNN 与 LLM 间展现出强泛化能力。
引用
@article{arxiv.2509.18742,
title = {Global-Recent Semantic Reasoning on Dynamic Text-Attributed Graphs with Large Language Models},
author = {Yunan Wang and Jianxin Li and Ziwei Zhang},
journal= {arXiv preprint arXiv:2509.18742},
year = {2025}
}