动态文本属性图（DyTAGs）广泛应用于各种真实场景，在其中每个节点和边缘都与文本描述相关联，且图结构和文本描述均随时间变化。为了填补这一空白，我们介绍了动态文本属性图基准（DTGB），这是一个从不同领域的大规模、时间演化的图集合，其中的节点和边缘由动态变化的文本属性和类别丰富。为了促进 DTGB 的使用，我们设计了基于四个真实用例的标准化评估过程：未来链接预测、目标节点检索、边缘分类和文本关系生成。这些任务要求模型理解动态图结构和自然语言，突出了 DyTAGs 所带来的独特挑战。此外，我们对 DTGB 进行了广泛的基准实验，评估了 7 种流行的动态图学习算法及其用于自适应文本属性的 LLM 嵌入的变体，以及 6 个强大的大语言模型（LLMs）。结果显示了现有模型在处理 DyTAGs 方面的局限性。我们的分析还展示了 DTGB 在研究结构和文本动态性融合方面的实用性。提出的 DTGB 促进了 DyTAGs 及其广泛应用的研究。它为评估和推进处理动态图结构和自然语言之间相互作用的模型提供了全面的基准。数据集和源代码可在此链接获取。

Jun, 2024

TAGLAS 是一个包含文字属性图数据集和基准测试的图谱，其中包括超过 23 个 TAG 数据集，涵盖引文图到分子图的不同领域和节点分类到图问题回答的不同任务。TAGLAS 的数据集具有统一的节点和边缘文字特征格式，允许在不同领域的多个数据集上同时训练和评估图模型。此项目还提供了标准化、高效和简化的数据集和任务加载方式，以及有用的工具，如文字到嵌入式转换和图到文字转换，以促进不同的评估场景。该项目目前还在建设中，未来将提供更多数据集和特性。

Jun, 2024

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

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

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

本文介绍了一种新的基于 Web 的文本注释软件工具 Text Annotation Graphs，它能够提供表示复杂文本之间关系的功能，其特点在于定义和可视化关系本身之间的关系（语义超图），并介绍了使用注释子图或语义摘要来显示文本本身顺序上下文之外的关系，该软件可被广泛应用于任何领域的注释任务。

Nov, 2017

本文介绍了一个大规模、有挑战性的数据集，以促进知识图谱到文本分类的实际场景研究，同时提出了一种多图结构和聚合方法，以更全面地代表原始图信息，并成功解决信息丢失和参数爆炸的问题。

Apr, 2020

该论文提出了一种名为 Edge 的知识图谱增强和嵌入框架，通过外部文本语义和结构层面的知识图谱增强，设计图对齐术语，负采样和嵌入学习，Edge 在链接预测和节点分类方面表现出鲁棒性和高效性。

Apr, 2021

Temporal Graph Benchmark 是一个收集了各种涉及社交、贸易、交通等网络领域的大规模数据集，用于实现机器学习模型在时间图上的现实、可重复和强大的评估。此外，该研究表明对于动态节点属性预测任务，简单的方法往往比现有的时间图模型表现更好，并提供了一个自动化的机器学习流程用于可重复和可访问的时间图研究。

Jul, 2023

多关系时间图是建模现实世界数据的强大工具，研究论文介绍了用于评估方法的新的基准框架，并提供了大规模数据集，重点评估预测未来连接方法的效果。

Jun, 2024