用于标记属性图学习的 SLM 条件分层关系路由

带标签的属性图将关系结构与附加到节点和关系的异构文本和分类属性相结合。传统的图神经网络通常将这些属性表示为静态特征向量，限制了它们确定哪些语义证据应该影响特定预测目标的消息传播的能力。我们提出了 SLM-Conditioned Hierarchical Relation Routing，这是一种将小型语言模型直接集成到图消息选择中的架构。拓扑 GNN 提供稳定的结构表示和预测锚。对于每个目标节点，事件消息结合邻居的结构状态、节点属性编码、关系属性编码和关系类型。参数高效的 SLM 处理结构化图软词元并生成目标条件路由查询。该查询首先选择每个关系类型中的相关消息，然后跨关系级别摘要路由信息。生成的表示为拓扑锚点提供有界残差更新，保留结构证据，同时允许上下文语义信息修改预测。该架构支持邻居和关系类型级别的可解释分析，并提供将语言衍生的语义集成到属性丰富的图学习中的通用机制。