Text-And-Graph Multi-View Alignment (TAGA) is a self-supervised learning framework that integrates Text-Attributed Graphs (TAGs), enabling efficient training and strong performance in zero-shot and few-shot scenarios across multiple datasets.

May, 2024

本文针对社交媒体上的文本片段难以准确表达主题这一问题，提出了一种基于 TAG 概念匹配数据集和概念图的图图匹配方法，该方法在利用概念图结构和句法依赖解析中的语义单元逻辑交互方面表现出更好的抽象和概括性能。

Oct, 2021

RoSE 是一个利用大型语言模型自动将文本属性分解成轮廓性语义关系的框架，在各种数据集上显著提高了节点分类性能，最高可达 16％。

May, 2024

该篇论文介绍了一个基于 LightTag 的文本标注工具，其设计和构建基于优化全局 NLP 流程的生产力而非个体标注员的生产效率，并讨论了数据建模和用户界面等方面的决策如何为整个 NLP 生命周期服务。

Sep, 2021

本文提出了一种基于图形表示的模型，并演示了我们不仅可以跨文档检索语义相似的信息，而且我们生成的嵌入空间也捕获了有用的语义信息，类似于仅适用于文本序列的语言模型。

Feb, 2022

提出了 GraphBridge，一个多粒度整合框架，通过利用上下文文本信息来构建 TAGs 的局部和全局视角的桥梁，以增强对 TAGs 的细粒度理解，并引入了一个图感知的标记缩减模块来处理可扩展性和效率挑战。通过在各种模型和数据集上进行大量实验，表明我们的方法在性能上达到了最先进的水平，而我们的图感知标记缩减模块显著提高了效率并解决了可扩展性问题。

Jun, 2024

本文介绍了基于图形的 Tree Adjoining Grammar (TAG) 解析器，并使用 BiLSTMs、Highway 连接和字符级 CNNs 来实现，该解析器在全局推理和特征表示方面具有先进性，在短语结构随从词性标注和解析方面性能显著优于以往的结果，并且在解析评估和无界依赖恢复方面实现了最先进的性能。

Apr, 2018

该研究通过设计和实现 TAGME 系统，解决了如何在短文本（如搜索引擎结果、新闻和博客等）中准确高效的解决同义词和多义词问题的挑战，并在实验中证明该系统优于现有算法。

Jun, 2010

本研究提出了使用大型语言模型和图模型相结合的方法来学习文本属性图 (TAG)，通过将大型语言模型的能力提取到本地图模型上，以解决大型语言模型的可扩展性、成本和隐私问题，并通过丰富的文本理由教授解释器，然后让学生模型模仿解释器的推理来弥补大型语言模型和图模型之间的固有差距。通过广泛实验证明了该方法的有效性。

Feb, 2024

介绍了 Textual-Edge Graphs Datasets and Benchmark (TEG-DB) 项目，它是一个包含丰富文本描述在节点和边上的大规模文本边缘数据集，并通过广泛的基准实验证明当前技术，包括预训练语言模型、图神经网络及其组合，可以有效利用文本节点和边缘信息来增强图分析并提供关于复杂真实世界网络的更深入洞察。

Jun, 2024