論文の概要: Global-Recent Semantic Reasoning on Dynamic Text-Attributed Graphs with Large Language Models

• arxiv url: http://arxiv.org/abs/2509.18742v1
• Date: Tue, 23 Sep 2025 07:35:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.749953
• Title: Global-Recent Semantic Reasoning on Dynamic Text-Attributed Graphs with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた動的テキスト分散グラフのグローバル・最新意味推論
• Authors: Yunan Wang, Jianxin Li, Ziwei Zhang,
• Abstract要約: DyTAG(Dynamic Text-Attribute Graphs)は、現実世界のアプリケーションで広く使われているグラフである。 グラフニューラルネットワーク(GNN)やLarge Language Models(LLM)といった既存の手法は主に静的TAGに焦点を当てている。 我々はDyGRASP(Dynamic Global-Recent Adaptive Semantic Processing)を提案する。
• 参考スコア（独自算出の注目度）: 15.007729562844604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic Text-Attribute Graphs (DyTAGs), characterized by time-evolving graph interactions and associated text attributes, are prevalent in real-world applications. Existing methods, such as Graph Neural Networks (GNNs) and Large Language Models (LLMs), mostly focus on static TAGs. Extending these existing methods to DyTAGs is challenging as they largely neglect the recent-global temporal semantics: the recent semantic dependencies among interaction texts and the global semantic evolution of nodes over time. Furthermore, applying LLMs to the abundant and evolving text in DyTAGs faces efficiency issues. To tackle these challenges, we propose Dynamic Global-Recent Adaptive Semantic Processing (DyGRASP), a novel method that leverages LLMs and temporal GNNs to efficiently and effectively reason on DyTAGs. Specifically, we first design a node-centric implicit reasoning method together with a sliding window mechanism to efficiently capture recent temporal semantics. In addition, to capture global semantic dynamics of nodes, we leverage explicit reasoning with tailored prompts and an RNN-like chain structure to infer long-term semantics. Lastly, we intricately integrate the recent and global temporal semantics as well as the dynamic graph structural information using updating and merging layers. Extensive experiments on DyTAG benchmarks demonstrate DyGRASP's superiority, achieving up to 34% improvement in Hit@10 for destination node retrieval task. Besides, DyGRASP exhibits strong generalization across different temporal GNNs and LLMs.
• Abstract（参考訳）: 動的テキスト属性グラフ(Dynamic Text-Attribute Graphs, DyTAGs)は、リアルタイムアプリケーションで広く使われている。 グラフニューラルネットワーク(GNN)やLarge Language Models(LLM)といった既存の手法は主に静的なTAGに焦点を当てている。 これらの既存手法をDyTAGに拡張することは、近年のグローバルな時間的意味論(相互作用テキスト間の最近の意味的依存関係)や、時間とともにノードのグローバルな意味的進化(英語版)など)をほとんど無視しているため、難しい。 さらに、DyTAGの豊富で進化しているテキストにLLMを適用することは効率上の問題に直面している。 このような課題に対処するために,動的グローバル適応意味処理(DyGRASP)を提案する。 具体的には、まずノード中心の暗黙的推論法とスライディングウインドウ機構を併用して、最近の時間的意味論を効率的に捉える。 さらに,ノードのグローバルなセマンティックダイナミクスを捉えるために,適切なプロンプトとRNNライクなチェーン構造による明示的推論を活用して,長期的セマンティクスを推論する。 最後に、更新層とマージ層を用いた動的グラフ構造情報と同様に、最近の時間的意味論とグローバルな意味論を複雑に統合する。 DyTAGベンチマークの大規模な実験は、DyGRASPの優位性を示し、宛先ノード検索タスクのhit@10を最大34%改善した。 さらに、DyGRASPは、異なる時間的GNNとLLMにまたがる強力な一般化を示す。

関連論文リスト

• LLM as GNN: Graph Vocabulary Learning for Text-Attributed Graph Foundation Models [54.82915844507371]
  Text-Attributed Graphs (TAG) は、現実のシナリオにおいてユビキタスである。 大規模言語モデル(LLMs)とグラフニューラルネットワーク(GNNs)をTAGsに統合する努力にもかかわらず、既存のアプローチは分離されたアーキテクチャに悩まされている。 本稿では,グラフ語彙学習に基づくTAGのための汎用GFMであるPromptGFMを提案する。
  論文  参考訳（メタデータ） (2025-03-05T09:45:22Z)
• LLM-driven Knowledge Distillation for Dynamic Text-Attributed Graphs [3.1897721055763024]
  Dynamic Text-Attributed Graphs (DyTAGs) には、ソーシャル、コラボレーション、引用、コミュニケーション、レビューネットワークなど、多くの現実世界のアプリケーションがある。 これらのネットワークでは、ノードとエッジはしばしばテキスト記述を含み、グラフ構造は時間とともに進化する。 将来のリンク予測、エッジ分類、関係生成、その他のDyTAG上の下流タスクは、構造情報、時間情報、テキスト情報をエンコードする強力な表現を必要とする。 動的テキスト分散グラフ (LKD4DyTAG) のための知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-02-15T21:48:46Z)
• Deep Semantic Graph Learning via LLM based Node Enhancement [5.312946761836463]
  大規模言語モデル(LLM)は、テキストセマンティクスを理解する上で優れた能力を示している。 本稿では,グラフトランスフォーマーアーキテクチャとLLM拡張ノード機能を組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-11T21:55:46Z)
• DTGB: A Comprehensive Benchmark for Dynamic Text-Attributed Graphs [28.340416573162898]
  動的テキスト分散グラフ(DyTAG)は、様々な実世界のシナリオで一般的である。 幅広い適用性にもかかわらず、DyTAGに合わせたベンチマークデータセットは、顕著に不足している。 大規模な時間進化グラフのコレクションである動的テキスト分散グラフベンチマーク(DTGB)を導入する。
  論文  参考訳（メタデータ） (2024-06-17T20:16:12Z)
• Harnessing Explanations: LLM-to-LM Interpreter for Enhanced Text-Attributed Graph Representation Learning [51.90524745663737]
  重要なイノベーションは、機能として説明を使用することで、下流タスクにおけるGNNのパフォーマンス向上に利用できます。 提案手法は、確立されたTAGデータセットの最先端結果を実現する。 本手法はトレーニングを著しく高速化し,ogbn-arxivのベースラインに最も近い2.88倍の改善を実現した。
  論文  参考訳（メタデータ） (2023-05-31T03:18:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。