近年來，隨著文本屬性圖（TAG）在社交媒體、電子商務(wù)、推薦系統(tǒng)和學(xué)術(shù)引用網(wǎng)絡(luò)等領(lǐng)域的廣泛應(yīng)用，研究人員對如何有效地從這些復(fù)雜數(shù)據(jù)結(jié)構(gòu)中學(xué)習變得越來越感興趣。TAG不僅包含了節(jié)點之間的結(jié)構(gòu)關(guān)系，還包含了節(jié)點本身的文本特征，因此如何同時處理這兩種信息成為研究中的一個核心問題。

當前，圖神經(jīng)網(wǎng)絡(luò)（GNN）在TAG學(xué)習中得到了廣泛的應(yīng)用，然而其訓(xùn)練過程通常需要大量的人工標注數(shù)據(jù)，這在實際應(yīng)用中往往難以獲取。

大語言模型（LLM）以其在少樣本和零樣本學(xué)習中的出色表現(xiàn)，為解決數(shù)據(jù)稀缺問題帶來了曙光。然而，LLM的部署和使用成本高昂，且存在隱私數(shù)據(jù)泄露的風險，這使得LLM在一些實際場景中的應(yīng)用受到了限制。

為了解決這些問題，埃默里大學(xué)（Emory）大學(xué)的研究團隊提出了一種通過知識蒸餾將LLM的能力轉(zhuǎn)移到本地圖模型的方法，該方法創(chuàng)新性地結(jié)合了LLM的推理能力與GNN的結(jié)構(gòu)化學(xué)習能力，通過將LLM生成的詳細推理過程轉(zhuǎn)化為圖模型能夠理解的信息，從而在無需依賴LLM的情況下，實現(xiàn)高效的TAG學(xué)習。

論文鏈接：https://arxiv.org/pdf/2402.12022

在將LLM蒸餾到本地模型的目標下，研究團隊面臨了多重挑戰(zhàn)，主要集中在以下幾個方面：

1. 如何讓語言模型教會圖模型？

大語言模型是生成性模型，能夠輸出詳細而豐富的文本信息，而圖神經(jīng)網(wǎng)絡(luò)則通常是判別性模型，其輸入和輸出都相對簡潔。傳統(tǒng)的知識蒸餾方法通過對齊輸出的方式，難以讓圖模型充分吸收語言模型中的知識。因此，如何在訓(xùn)練過程中有效地將語言模型中的豐富知識傳遞給圖模型，是研究團隊面臨的一個重要難題。

2. 如何將文本推理轉(zhuǎn)化為圖推理？ 

大語言模型生成的推理依據(jù)通常以自然語言的形式存在，而圖模型難以直接理解這些文本信息。因此，如何將這些文本推理轉(zhuǎn)化為圖模型能夠理解的圖推理，是一個未被充分探索且具有挑戰(zhàn)性的問題。研究團隊需要設(shè)計出一種方法，使得圖模型能夠利用語言模型的推理依據(jù)來增強自身的學(xué)習能力。

3. 如何在蒸餾過程中協(xié)同文本和圖信息？ 

文本屬性圖（TAG）同時包含文本和圖結(jié)構(gòu)信息，這兩者之間高度異構(gòu)。在知識蒸餾過程中，如何確保學(xué)生模型能夠同時保留文本和圖信息以及它們之間的相互作用，是研究團隊面臨的另一重大挑戰(zhàn)。研究團隊需要找到一種方法，使得學(xué)生模型不僅能從解釋器模型中繼承知識，還能在沒有語言模型支持的情況下，獨立處理并理解這些異構(gòu)信息。

方法

在這項研究中，Emory大學(xué)的研究團隊提出了一種創(chuàng)新的框架，通過蒸餾大語言模型（LLM）的知識來增強圖神經(jīng)網(wǎng)絡(luò)（GNN）在文本屬性圖（TAG）學(xué)習中的性能。該方法分為兩大核心部分：解釋器模型的訓(xùn)練和學(xué)生模型的對齊優(yōu)化。

1. 解釋器模型的訓(xùn)練

多層次特征增強： 研究團隊首先設(shè)計了一個解釋器模型，該模型的主要任務(wù)是理解并吸收LLM生成的推理依據(jù)。為了讓解釋器模型能夠有效地學(xué)習LLM的知識，研究團隊將LLM的推理依據(jù)轉(zhuǎn)化為多層次的圖推理增強特征。具體來說，這些特征包括：

• 文本級特征：LLM識別并提取與分類最相關(guān)的關(guān)鍵詞，從而減少文本中可能干擾模型分類的噪聲信息。這些關(guān)鍵詞通過文本編碼器進行處理，以生成增強的文本嵌入。
• 結(jié)構(gòu)級特征：LLM分析每個節(jié)點的鄰居節(jié)點，識別出對節(jié)點分類最重要的鄰居節(jié)點，并提取這些鄰居節(jié)點中的關(guān)鍵信息。這些增強的結(jié)構(gòu)特征用于圖卷積網(wǎng)絡(luò)（GNN）的信息傳遞過程中。
• 消息級特征：在結(jié)構(gòu)級特征的基礎(chǔ)上，LLM進一步識別出每個鄰居節(jié)點中最關(guān)鍵的消息內(nèi)容，并將其整合到消息傳遞的第一層中。通過這種方式，解釋器模型能夠聚焦于更具相關(guān)性的鄰居信息，從而提高分類精度。

偽標簽與偽軟標簽生成：為了提供更加細膩的監(jiān)督信號，研究團隊使用LLM生成的偽標簽和偽軟標簽來訓(xùn)練解釋器模型。偽軟標簽包含了每個類別的概率信息，這比硬分類標簽提供了更多的監(jiān)督信息，有助于解釋器模型更好地學(xué)習LLM的推理邏輯。

2. 學(xué)生模型的對齊優(yōu)化

模型對齊方法： 為了讓學(xué)生模型在沒有LLM支持的情況下也能做出準確預(yù)測，研究團隊設(shè)計了一種新的TAG模型對齊方法，該方法同時考慮了語義和結(jié)構(gòu)的對齊。

• 語義對齊：研究團隊通過對比解釋器模型和學(xué)生模型的文本嵌入，特別是那些在結(jié)構(gòu)中出現(xiàn)頻率較高且關(guān)鍵詞差異較大的節(jié)點，來實現(xiàn)語義對齊。這種對齊方式確保了學(xué)生模型能夠更好地繼承解釋器模型中的語義信息。

• 結(jié)構(gòu)對齊：在結(jié)構(gòu)對齊中，研究團隊關(guān)注那些鄰居結(jié)構(gòu)變化較大的節(jié)點，計算這些節(jié)點的原始鄰居結(jié)構(gòu)與增強鄰居結(jié)構(gòu)之間的相似度。通過最小化這些差異，確保學(xué)生模型能夠在圖結(jié)構(gòu)信息上與解釋器模型保持一致。

多任務(wù)學(xué)習與對齊目標：在訓(xùn)練過程中，研究團隊采用多任務(wù)學(xué)習的方法，使用交叉熵損失來優(yōu)化偽標簽的預(yù)測，同時使用均方誤差損失來對齊解釋器模型和學(xué)生模型的輸出。最終的訓(xùn)練目標整合了語義對齊和結(jié)構(gòu)對齊的損失，使得學(xué)生模型能夠在沒有LLM的情況下進行高效推理。

實驗與結(jié)果

研究團隊在四個廣泛使用的文本屬性圖數(shù)據(jù)集上驗證了他們的方法，包括Cora、PubMed、ogbn-products和arxiv-2023數(shù)據(jù)集。實驗結(jié)果顯示，該方法在所有數(shù)據(jù)集上均表現(xiàn)出色，特別是在標簽稀缺的情況下，性能提升尤為顯著。

在Cora數(shù)據(jù)集上，該方法的準確率相比現(xiàn)有方法提高了10.3%，而在PubMed和ogbn-products數(shù)據(jù)集上，分別提高了2.2%和4%。特別是在arxiv-2023數(shù)據(jù)集上，由于其內(nèi)容超出了現(xiàn)有大語言模型的知識截止日期，研究團隊的方法依然實現(xiàn)了8.3%的性能提升，進一步證明了該方法在處理新穎和未見數(shù)據(jù)方面的能力。

研究團隊進一步分析了不同訓(xùn)練數(shù)據(jù)比例下的模型性能，結(jié)果顯示該方法在訓(xùn)練數(shù)據(jù)稀缺的情況下仍能保持優(yōu)異的表現(xiàn)。這表明，通過蒸餾LLM的推理能力到學(xué)生模型，該方法能夠在有限的數(shù)據(jù)下有效學(xué)習，顯示出強大的泛化能力。

在計算成本方面，盡管研究團隊的方法在訓(xùn)練時需要處理更多的輸入輸出數(shù)據(jù)（如LLM生成的推理依據(jù)），但其訓(xùn)練和測試時間與現(xiàn)有方法相當，顯示出良好的效率。尤其是在處理大型數(shù)據(jù)集時，這種蒸餾方法能夠顯著降低計算成本，使其在實際應(yīng)用中更具可行性。

結(jié)論

研究團隊的工作為如何在不依賴LLM的情況下有效利用其能力提供了新的思路。通過將大語言模型的知識蒸餾到本地圖模型中，研究人員不僅成功解決了TAG學(xué)習中的標簽稀缺問題，還顯著提升了模型的性能和遷移性。這一研究不僅在學(xué)術(shù)界具有重要意義，也為工業(yè)界在隱私保護和成本控制方面提供了實用的解決方案。

本文轉(zhuǎn)自 新智元 ，作者：新智元

原文鏈接:??https://mp.weixin.qq.com/s/yhevaXx1U3gtyiXpZBhYzg??