节点到邻域语义一致性：标签异常检测的文本拓扑对齐

文本属性图 (TAG) 上的图异常检测 (GAD) 对于欺诈检测和学术诚信验证等应用至关重要。现有的方法通常分为两种范式。基于 GNN 的方法可以有效地捕获结构模式，但很难捕获细粒度的文本语义。将 LLM 与图集成的方法提高了语义理解，但无法完全理解相邻节点之间的拓扑关系。此外，这两种范式都忽略了文本语义和图拓扑关系之间的对应关系，限制了它们识别语义与其邻域不一致的节点的能力。在本文中，我们将 TAG 异常检测形式化为节点到邻居的语义一致性问题，其中异常可能是由于节点与其邻居之间的文本语义不匹配或拓扑偏差引起的。我们提出了 N2NSC（节点到邻域语义一致性），这是一个通过两个互补的融合路径捕获图拓扑和文本语义之间的对应关系的框架。这两条路径协同工作，使 LLM 能够充分利用文本和结构邻域信息进行异常检测。跨八个数据集的大量实验表明，N2NSC 始终优于当前最先进的方法。