论文
OpenRTAG：数据质量退化下鲁棒文本属性图学习的综合基准
OpenRTAG: A Comprehensive Benchmark for Robust Text-Attributed Graph Learning under Data Quality Degradation
摘要
文本属性图（TAG）是把关系结构与丰富节点文本结合的重要图数据形式。但真实世界的TAG常不完美：质量问题来自文本、结构与标签，典型表现为稀疏、噪声与不平衡。这些维度定义了九种会实质影响TAG学习的代表性退化场景。尽管既往研究探索过特定缓解策略，现有证据在退化类型、数据集、任务与模型家族间碎片化，TAG鲁棒性仍理解不足。为弥合该空白，我们提出OpenRTAG，一个面向文本属性图学习的鲁棒性基准：把TAG质量问题组织为统一的3×3分类，支持跨九个TAG数据集与三个下游任务的标准化评估；系统评估场景有效性与模型敏感度，比较传统GNN、LLM-GNN与代表性图基础模型（GFM），考察场景匹配基线的有效性、效率与鲁棒性，并进一步检验复合退化场景下的模型行为。OpenRTAG为理解现实低质量设定下TAG学习的鲁棒性提供标准化试验台。
