跳转至

🕸️ 图学习

💬 EMNLP2026 · 10 篇论文解读

📌 同领域跨会议浏览: 🧠 NeurIPS2026 (44) · 🎞️ ECCV2026 (1) · 📷 CVPR2026 (8) · 🔬 ICLR2026 (118) · 💬 ACL2026 (24) · 🧪 ICML2026 (35)

🔥 高频主题: 推理 ×3 · 问答 ×2 · LLM ×2

Dual-Prompt-Driven Textual Knowledge Graph Generation With Heterogeneous Information Embedding for CTR Prediction

针对传统 CTR 模型离散特征编码语义缺失及多模态融合粗糙的问题,本文提出 TKE4CTR 框架,通过双提示模板将多领域表格数据转换为统一语义文本块与任务自适应异构知识子图,结合两阶段幻觉抑制策略抽取三元组,并利用双向跨注意力门控网络与特征门控 MLP 实现了结构与语义的高效协同对齐,在五大真实电商场景中大幅超越现有基线。

FBV-KGQA: Forward-Backward Verification for Knowledge Graph Question Answering

提出前向推导与后向验证相结合的知识图谱问答框架 FBV-KGQA,通过关系规划生成路径、基于图模式约束的反事实扰动量化逻辑枢轴因果效应,并结合反向问题一致性检验,有效滤除表面相关但缺乏因果支持的伪推理路径。

GraphLit: Learning Text-Enriched Dynamic Character Network Representations for Literary Study

GraphLit 提出了将长篇小说分解为局部时序异构图的动态异构角色网络(DHCNs),将角色实体与其出现的文本片段紧密对齐,并通过结合掩码属性/边重构、篇章叙事排序与跨书全局对比的自监督掩码图自编码器,在包含 12 项任务的角色基准测试与引文归属上全面超越纯文本、纯图与既有混合基线。

LLM-Powered Holistic Enhancement for Text-Attributed Graphs

提出 EFS(Enhancing Features and Structures)框架,利用大语言模型抽取关键词与多层预测解释全面增强节点语义特征,并复用预测置信与文本嵌入构建轻量边精炼器双向修正图拓扑,在六大基准数据集上显著超越现有 GNN 与 GNN+LLM 基线。

Logic Meets Language: Hybrid Query Answering over Incomplete Text-Labeled Graphs

针对文本标记知识图谱中离散逻辑约束与灵活文本语义并存且数据不完备的难题,本文提出形式化混合查询语言及基准,并构建端到端嵌入框架 HybridQE,通过查询条件化实体表示与神经逻辑算子在统一空间中实现跨模态联合推理。

Ontology-Driven Structural Regularization for Document-Level Relation Extraction

针对远程监督篇章级关系抽取数据中长期被忽视的本体约束违背、逆关系缺失与非对称矛盾等结构性噪声,本文提出基于网络本体语言(OWL)的形式化约束诊断与无模型依赖的数据清洗与补全预处理框架,在显著消除模型预测逻辑冲突的同时实现端到端抽取泛化性能的稳健提升。

PathSoft: Hybrid Soft Prompting with Ranked Reasoning Paths for Knowledge Graph Question Answering

PathSoft 提出了一个结合排序文本推理路径与连续软提示的混合提示框架,通过轻量级 PathMLP 筛选高可靠推理路径,并由 PathSoftAdapter 将有序实体-关系结构注入冻结大语言模型,在保持单次调用与极低推理延迟的前提下大幅刷新了多跳知识图谱问答性能。

StruProKGR: A Structural and Probabilistic Framework for Sparse Knowledge Graph Reasoning

针对稀疏知识图谱中随机游走收集路径开销大且路径孤立推理的问题,提出免训练框架 StruProKGR,通过截断距离引导的 DFS 剪枝提升路径收集效率(提速高达 54.93×),并结合路径内衰减与贝叶斯几率形式的路径间概率聚合建模图结构关联,在五大基准上全面超越现有路径与规则基线。

TATK: Triple-Aware Top-K Learning with Knowledge-Grounded Verification for LLM-based Sequential Recommendation

针对大语言模型序列推荐将排序任务转化为文本生成所导致的弱上下文锚定、目标与指标失配以及推理缺乏结构校验等核心痛点,TATK 提出三元感知框架,在训练阶段引入元数据图提示与位置感知 Top-K 奖励,在推理阶段基于缓存图结构对候选集进行免额外前向传播的知识接地重排序,在全目录测评下大幅提升 Top-K 排序性能。

TKG-Thinker: Towards Dynamic Reasoning over Temporal Knowledge Graphs via Agentic Reinforcement Learning

针对时序知识图谱问答(TKGQA)中复杂时序约束易引发幻觉以及静态提示工作流缺乏动态交互验证的问题,提出 TKG-Thinker 框架,通过两阶段优化(教师轨迹 SFT 冷启动与基于时序工具调用的在线强化学习),利用多维度可验证奖励使大语言模型学会自主时序规划与自适应图谱检索。