Text2Graph：结合轻量级 LLM 与 GNN 在标签稀缺场景下实现高效文本分类
机器学习
2025-12-15 v2
摘要
大型语言模型（LLM）已成为有效的零样本分类器，但其高昂的计算需求和环境影响限制了它们在高性能计算（HPC）环境中用于大规模标注的实用性。为了支持更可持续的工作流程，我们提出了 Text2Graph，这是一个开源 Python 包，提供了现有文本到图分类方法的模块化实现。该框架使用户能够以灵活的方式将基于 LLM 的部分标注与图神经网络（GNN）标签传播相结合，使得特征提取器、边构建方法和采样策略等组件的替换变得非常简单。我们在零样本设置下对 Text2Graph 进行了基准测试，使用了涵盖主题分类和情感分析任务的五个数据集，将多种变体与其他零样本文本分类方法进行了比较。除了报告性能外，我们还提供了能耗和碳排放的详细估算，表明基于图的传播在仅消耗一小部分能源和环境成本的情况下取得了具有竞争力的结果。
引用
@article{arxiv.2512.10061,
title = {Text2Graph: Combining Lightweight LLMs and GNNs for Efficient Text Classification in Label-Scarce Scenarios},
author = {João Lucas Luz Lima Sarcinelli and Ricardo Marcondes Marcacini},
journal= {arXiv preprint arXiv:2512.10061},
year = {2025}
}