【KDD2024】预训练和提示在文本属性图上的少样本节点分类

主要观点总结

本文介绍了一种针对文本属性图（TAG）的少样本节点分类框架P2TAG。传统的少样本节点分类方法直接在预处理后的节点特征上进行训练，性能依赖于特征预处理方法的选择。而P2TAG通过在TAG上对语言模型（LM）和图神经网络（GNN）进行自监督损失的预训练，并利用混合提示方法进行少样本节点分类。实验结果表明，P2TAG在多个现实世界的TAG数据集上表现优于现有的图少样本学习方法。

关键观点总结

关键观点1: 传统的少样本节点分类方法缺陷

传统的少样本节点分类方法直接在预处理后的节点特征上进行训练，不考虑原始文本，性能高度依赖于特征预处理方法的选择。

关键观点2: P2TAG框架的特点

P2TAG是一种针对TAG的少样本节点分类框架，通过图预训练和提示进行实现。它在TAG上对语言模型和图神经网络进行自监督损失的预训练，并充分利用语言模型的能力。

关键观点3: P2TAG的实验结果

P2TAG在六个现实世界的TAG数据集上进行实验，包括论文引用网络和产品共同购买网络。实验结果表明，P2TAG比现有的图少样本学习方法表现更好，改进幅度为+18.98% ∼ +35.98%。