GraphBind：用拓扑绑定多模态图基础模型表征

多模态图基础模型（MGFM）旨在从节点模态异构的大规模图中学习可泛化表征。然而，真实多模态属性图（MAG）常含缺失节点属性，限制可用预训练语料的规模与多样性。此外，已有MGFM主要把拓扑作为结构上下文，忽视它对多模态绑定和统一表征空间的引导作用。为解决这些挑战，我们提出GraphBind，利用图拓扑将丰富模态信息绑定到统一共享空间。其动机是图拓扑的稳定性能够提供结构参照和互补语义信息。具体而言，GraphBind利用拓扑将自身语义和可靠邻域语义组织到融合结构与语义的全局共享空间，并通过轻量接口适配判别及生成任务。与11种代表性基线的广泛实验显示，GraphBind在两类任务上均取得领先表现，相对最强基线的改善最高达28.1%。