面向文本属性图的零样本节点分类的无标签样本提示调优
机器学习
2026-01-08 v1 信息检索
摘要
节点分类是信息检索中的基础问题，具有诸多实际应用场景，如社交网络中的社区检测、在线文章分组和电商产品分类。文本属性图 (TAGs) 中的零样本节点分类 presents 一个重大挑战，由于缺乏标签数据。在本文中，我们提出一种 novel 的 Zero-shot Prompt Tuning (ZPT) 框架以解决此问题，利用通用双模态条件生成器 (UBCG)。我们的 approach 从_pretrained 开始，训练一种图-语言模型以捕获图结构和每个节点关联的文本描述。随后，训练一个条件生成模型，学习节点在图和文本两个模态中的联合分布，从而仅基于类名生成每个类的合成样本。这些合成节点和文本嵌入随后用于进行连续提示调优，以实现零样本 setting 下的有效节点分类。进一步，我们在多个基准数据集上进行大规模实验，证明我们的框架优于现有 SOTA baseline。我们还提供了消融研究，以验证双模态生成器的贡献。代码已公开：https://github.com/Sethup123/ZPT。
引用
@article{arxiv.2601.03793,
title = {Prompt Tuning without Labeled Samples for Zero-Shot Node Classification in Text-Attributed Graphs},
author = {Sethupathy Parameswaran and Suresh Sundaram and Yuan Fang},
journal= {arXiv preprint arXiv:2601.03793},
year = {2026}
}
备注
Accepted by WSDM 2026