本研究提出了一种文本语义增强（TSA）方法，旨在解决文本属性图中的少样本和零样本节点分类问题。通过引入积极和消极语义匹配技术，TSA显著提高了分类准确率，实验结果表明其在多个数据集上超越了现有基线，准确度提升超过5%。

本研究提出了AskGNN方法，旨在解决大型语言模型（LLMs）在处理文本属性图（TAGs）时的挑战。通过上下文学习，AskGNN有效整合图数据与任务信息，实验结果表明其在图任务性能上显著优于传统方法，展示了LLMs在图结构数据应用的新可能性。

本文综述大语言模型与图模型结合学习文本属性图的研究，涵盖LLM作为增强器或预测器、知识蒸馏、图拓扑优化、少样本节点分类及可解释性等方向，旨在兼顾性能、效率与隐私。

本文综述大语言模型与图神经网络结合的研究进展，涵盖文本属性图节点分类、知识蒸馏、图拓扑优化及提示调优等方法，实验表明这些方法在多个基准上提升了性能与可解释性。