Towards context-aware graph representation learning: Adaptive node aggregation with LLMs

doi:10.1016/j.artint.2026.104584

Towards context-aware graph representation learning: Adaptive node aggregation with LLMs

2026-09-01

0

PRE

AI

DOI：10.1016/j.artint.2026.104584

原文链接

原文求助

摘要

En 中文

图结构数据上的表示学习是图机器学习中的一个关键研究领域，在社交网络和推荐系统等现实领域具有广泛应用。传统图神经网络（GNNs）通常依赖静态图聚合函数（如均值、求和）应用于浅层文本特征，这限制了其建模节点间复杂语义交互的能力。近期进展引入大语言模型（LLMs）通过深层语义编码增强节点特征。然而，现有工作大多将LLMs视为静态编码器，忽视了其推理节点间关系的潜力。在本文中，我们提出基于LLMs的定制节点聚合（LTNA）方法，利用LLMs的上下文推理能力为每个节点生成自适应、语义驱动的聚合策略。LTNA不依赖固定规则或全局函数，而是提示LLMs推断节点与其邻居间的关系意义（如支持性、批判性、背景性），并基于推断的语义输出定制化聚合策略。这使GNN的消息传递超越数值聚合，成为上下文敏感的语义操作。通过联合利用节点文本属性和图结构，LTNA增强了节点表示的表达力并提升下游任务性能。在五个基准数据集上的大量实验表明，LTNA持续优于当前最优GNN模型，分类准确率平均提升7.95%，Micro-F1分数提升9.90%。

Keyword:

Text-attributed graph

Graph neural network

Large language model

Context-aware aggregation

Towards context-aware graph representation learning: Adaptive node aggregation with LLMs

摘要

期刊

机构

引用论文