PRISM：用于动态文本属性图的迭代跨模态后验细化
机器学习
2026-05-08 v1
摘要
动态文本属性图（DyTAG）提供了一种强大的框架，用于建模节点语义与时间依赖交互紧密耦合的演化系统。最近，多模态学习作为增强DyTAG表示学习的有前景却鲜为人知的方向。然而，现有方法通常依赖刚性的模态划分和单次融合策略，这限制了其捕捉节点语义与相互作用行为之间内在且不断演化的依赖关系的能力。为此，我们提出了一种名为 PRISM 的框架，用于DyTAG表示学习的迭代跨模态后验细化。PRISM 将DyTAG信息组织为语义模态和行为模态，为载体级模态划分提供了更内在的替代方案。而不是以单一步骤融合两种模态，PRISM学习一条细化轨迹，通过与行为证据的跨模态交互，逐步将语义先验转化为行为条件化的后验状态。大量实验在DTGB基准数据集上表明，PRISM在时序链接预测和目的地节点检索任务上取得了优异的性能。进一步的消融研究验证了语义-行为建模和迭代后验细化的有效性。
引用
@article{arxiv.2605.06073,
title = {PRISM: Iterative Cross-Modal Posterior Refinement for Dynamic Text-Attributed Graphs},
author = {Trimble Chang and Yihang Liu and Mingjing Han and Han Zhang},
journal= {arXiv preprint arXiv:2605.06073},
year = {2026}
}