人工智能学院赵松伟博士关于图神经网络聚合相关研究成果，被人工智能领域国际顶级期刊《Artificial Intelligence》（AI）接收，是学院在该期刊上发表的首篇研究成果。《Artificial Intelligence》创刊于1970年，是人工智能领域历史悠久、影响广泛的权威学术期刊之一，是中国计算机学会（CCF）推荐的人工智能领域A类期刊，主要刊载认知与人工智能、知识表示、机器学习、规划与行动、智能决策等方向的原创性研究成果。
论文题目：Towards Context-Aware Graph Representation Learning: Adaptive Node Aggregation with LLMs
第一作者：赵松伟
收录会议：Artificial Intelligence, AI
通讯作者：陈贺昌、江原
论文概述：
基于图结构数据的表示学习是图机器学习的一个重要研究领域，在社交网络和推荐系统等现实世界中有着广泛的应用。传统的图神经网络（GNN）通常依赖于应用于浅层文本特征的静态图聚合函数（例如，mean, sum），这限制了它们对节点之间复杂语义交互建模的能力。最近的进展是引入大型语言模型（LLM），通过深度语义编码来增强节点特征。然而，大多数现有工作将LLM视为静态编码器，忽略了它们对节点间关系进行推理的潜力。在这项工作中，我们提出了基于LLM的定制化节点聚合（LTNA）是一种新颖的方法，它利用LLM的上下文推理能力为每个节点生成自适应的、语义驱动的聚合策略。LTNA不依赖固定的规则或全局函数，而是提示LLM推断节点与其邻居之间的关系含义，并根据推断的语义输出定制的聚合策略。这使得GNN中的消息传递能够超越数字聚合而成为上下文敏感的语义操作。LTNA通过联合利用节点文本属性和图结构，增强了节点表示的表达性并提高跨下游任务的性能。
