本研究针对文本属性图（TAGs）中存在的语义与结构信息建模难题，提出了一种名为BiGTex的创新架构。该方法通过堆叠的图文本融合单元实现图神经网络和大语言模型的紧密集成，使得文本与结构之间的信息可以双向流动，显著提升了节点分类性能，并在链路预测任务中也表现出良好的泛化能力。

该研究提出了ClustEm4Ano，一个针对名义文本表格数据的匿名化管道，通过迭代聚类生成语义相近的值，从而显著提升匿名数据集的质量。

本文研究了在多图场景中应用图神经网络（GNN）面临的特征空间不匹配问题。提出了一种新方法——拓扑感知节点描述合成（TANS），通过大语言模型（LLMs）自动将图转换为文本属性图，从而突破对文本属性数据的依赖。在文本缺乏的情况下，我们的方法显著优于现有的手动设计节点特征的方法，展示了LLMs在图数据预处理中的潜力。

本文探讨了大型语言模型（LLMs）在图机器学习中的应用，特别是在节点分类任务中的有效性。研究提出了多种方法，如LLM-GNN和LEADING，以解决类别不平衡问题并提升预测性能。通过结合LLMs与图神经网络，利用语义相似度和伪标签改善图的拓扑结构，实验证明了这些方法显著提升了节点分类的性能。

本文介绍了一种基于自学习的检索增强型Transformer模型NAIM，用于自动数据整理，减轻数据分析师的工作量。NAIM通过特征特定的嵌入和掩码自注意机制，提升对不完整数据的泛化能力，研究表明其在缺失数据情况下的预测性能优于多种先进模型。

通过 Attribute-Aware Implicit Modality Alignment (AIMA) 框架，使用 CLIP 模型及 Attribute-IoU Guided Intra-Modal Contrastive (A-IoU IMC) Loss，实现了文本属性人物搜索中文本属性与图像之间的对齐和表示匹配，进一步优化了语义排列。

利用半监督对比学习方法，我们提出一种新的方法来实现属性的稳健控制，并增强内容的保留。通过重新解缠重构的句子并将其与原始潜变空间进行比较，我们实现了一个闭环解缠过程，进一步帮助内容保留。与以往方法不同，对比学习方法能够代替最小化互信息和对抗训练在解缠过程中的作用，从而减少计算成本。我们在三个文本数据集上进行了实验证明了我们模型的有效性。

利用大型语言模型在图学习任务中的潜力，本研究探索了如何利用信息检索和文本生成能力来提高文本属性图的拓扑结构，进而增强节点分类的性能。通过节点属性的语义相似度，采用大型语言模型来删除不可靠的边并添加可靠的边，以及利用大型语言模型生成的伪标签改善图的拓扑结构。实验证明使用大型语言模型进行图拓扑改善在公共基准测试中提升了 0.15% 至 2.47% 的性能。