图神经网络看腻了？小语言模型直接当“路由器”，消息该传给谁它说了算！
SLM-Conditioned Hierarchical Relation Routing for Labeled Property Graph Learning
📖 AI 总结
该论文提出了一种名为“SLM条件化层级关系路由”的架构，用于改进带标签属性图的学习。传统图神经网络将节点和关系的文本及类别属性编码为静态特征向量，难以根据具体预测目标动态筛选语义证据。新方法将小型语言模型直接集成到图消息选择过程中：拓扑GNN提供稳定的结构表示作为预测锚点，而SLM则处理结构化的图软令牌，生成目标条件化的路由查询。该查询先在关系类型内部筛选相关消息，再跨关系层级汇总信息，最终以有界残差方式更新拓扑锚点表示。这一设计既保留了结构证据，又允许上下文语义信息调整预测结果，同时支持在邻居和关系类型两个层面进行可解释分析，为属性丰富图学习提供了融合语言语义的通用机制。
🔑 关键词速览
| SLM-Conditioned Hierarchical Relation Routing | 一种架构，使用小语言模型生成条件路由查询，以分层选择图消息。 |
| Labeled Property Graph | 一种图模型，节点和关系都带有文本和分类属性。 |
| Topology GNN | 用于提供稳定结构表示和预测锚点的图神经网络。 |
| Parameter-Efficient SLM | 参数高效的小语言模型，处理结构化图软令牌以生成路由查询。 |
| Bounded Residual Update | 对拓扑锚点的有界残差更新，保留结构证据同时允许语义信息调整预测。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅