arXiv cs.AI· Chen Shao, Ruirui Wang, Tobias Kafer, Danai Koutra·· 13 小时前AI 评分18
Bridge-LP：面向文本属性图链接预测的理论框架，MRR 最高提升 43.06%
Bridging Semantics and Structure: A Theoretically Grounded Framework for Link Prediction on TAGs
AI 导读
Bridge-LP 是一个统一图与语言表示的理论框架，用于文本属性图（TAG）上的链接预测，在 9 个数据集上与 40 个现有模型对比，Mean Reciprocal Rank（MRR）最高提升 43.06%。该框架由三个理论支撑的设计组成：文本邻近跳跃连接、编码邻域信息的压缩嵌入，以及降低计算复杂度的缓存嵌入训练策略，可端到端扩展到大图。论文已被 ACM TKDD 接收。
正文 · AI 翻译
摘要：文本属性图（TAG）上的链接预测是一个基础问题，在知识发现、推荐等领域有着广泛的应用。近期的进展凸显了将图神经网络（GNN）与语言模型（LM）相结合以利用互补的结构与语义信号的潜力。然而，由于 GNN 与 LM 具有不同的归纳偏置，最优融合策略的设计仍是一个开放的研究问题。在本工作中，我们提出 Bridge-LP，一个直观、简单、高效且具有理论基础的框架，用于统一图表示与语言表示。它围绕三个具有理论依据的设计组件构建：（D1）文本邻近性的跳跃连接，可实现稳健的 LM 训练；（D2）压缩嵌入，编码经典链接预测启发式方法长期利用的邻域信息，从而以可学习的方式丰富结构信号；（D3）缓存嵌入训练策略，可降低计算复杂度。这些机制共同建立了一个端到端的跨模态框架，可扩展至大图，同时捕获更丰富的图-文本交互。我们进行了广泛的实证评估，在 9 个多样化数据集上与 40 个现有模型进行比较。实验表明，Bridge-LP 始终优于最先进的方法，平均倒数排名（MRR）最高提升 43.06%，为语言-图集成树立了新的基准。
| 评论： | 33 页。已被 ACM Transactions on Knowledge Discovery from Data (TKDD) 接收发表 |
| 主题： | 人工智能（cs.AI） |
| ACM 分类： | I.2.6 |
| 引用为： | arXiv:2610.40192 [cs.AI] |
| （或 arXiv:2610.40192v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40192 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Chen Shao [查看邮箱]
[v1]
2026 年 10 月 29 日星期四 14:47:45 UTC（900 KB）
来源：arXiv cs.AI · arxiv.org