SGPT：面向符号图的少样本提示微调

符号图神经网络 (SGNN) 在学习符号图的表达性表示方面非常有效，但通常需要大量特定于任务的标签，这限制了它们在标签稀缺的工业场景中的适用性。相比之下，无符号图结构丰富且易于利用来预训练图神经网络 (GNN)，为减少下游符号图任务中的监督需求提供了有前景的解决方案。然而，由于预训练和下游阶段之间在图类型和任务目标上存在根本差异，将知识从无符号图迁移到符号图并非易事。为了应对这一挑战，我们提出了符号图提示微调 (SGPT)，这是一种新颖的图提示框架，可将预训练的无符号 GNN 适应到少样本符号图任务中。我们首先设计了一个基于平衡理论的图模板，以解开由负链接引入的混合节点关系，从而缓解无符号图和符号图之间的结构不匹配。我们进一步引入了一个任务模板，将下游符号任务重新表述为统一的链接预测目标，使其优化目标与预训练任务对齐。此外，我们开发了特征提示，将下游语义空间与预训练期间学习的特征空间对齐，并开发了语义提示，以任务感知的方式集成链接符号语义。我们在七个基准符号图数据集上进行了广泛实验，证明 SGPT 显著优于现有的 SOTA 方法，为少样本符号图学习建立了一个强大且可泛化的解决方案。