用同质性感知的结构与语义文本属性图压缩改进LLM推理

大语言模型（LLM）在文本属性图（Text-Attributed Graph，TAG）理解上展现出可观能力。近期研究通常聚焦于通过手工提示将图结构言语化，把目标节点及其邻域上下文输入LLM。然而，受上下文窗口限制，现有方法主要诉诸随机采样——常表现为随机丢弃节点/边——这不可避免地引入噪声并造成推理不稳定。我们认为，图本身蕴含丰富的结构与语义信息，有效利用它们可以释放LLM推理性能的潜在增益。为此，我们提出面向LLM的同质性感知结构与语义压缩（Homophily-aware Structural and Semantic Compression，HS2C），一个以利用图同质性为核心的框架。在结构上，以结构熵最小化原则为指导，我们执行全局层次化划分，解码图的本质拓扑。该划分识别出自然内聚的同质社区，同时丢弃随机连接噪声。在语义上，我们将检测到的结构同质性交给LLM，使其能基于预定义的社区类型进行差异化语义聚合。这一过程把冗余背景上下文压缩为简洁的社区级共识，选择性地保留与目标节点对齐的语义同质信息。在不同规模与家族的LLM上、跨10个节点级基准的大量实验表明，通过向LLM输入结构与语义双重压缩后的输入，HS2C同时提升压缩率与下游推理准确率，验证了其优越性与可扩展性。在7个多样图级基准上的扩展进一步巩固了HS2C的任务泛化能力。