文章预览
今天为大家介绍一篇最新的研究论文。该论文提出了GAugLLM图增强框架，利用大模型提高文本属性图（TAG）的 图对比学习效果 。 1. 基本信息 论文题目：GAugLLM: Improving Graph Contrastive Learning for Text-Attributed Graphs with Large Language Models 作者：Yi Fang, Dongzhe Fan, Daochen Zha, Qiaoyu Tan 作者研究单位： SFSC of AI and DL, New York University(Shanghai), Shanghai, China Department of Computer Science, Rice University, Huston, USA 代码链接： https://github.com/NYUSHCS/GAugLLM 2. 研究背景 图对比学习（Graph Contrastive Learning, GCL）作为一种自监督学习方法，近年来表现出色。但现有GCL方法在处理文本属性图（Text-Attributed Graphs, TAGs）时存在局限性。TAGs是一种特殊图结构，节点不仅包含结构信息，还附带丰富的文本属性。 本文指出了现有GCL方法处理TAGs时的两个主要问题： 特征级增强的局限性 ：传统方法通常用
………………………………
