في عالم الذكاء الاصطناعي، تُعتبر الرسوم البيانية النصية (Text-Attributed Graphs - TAGs) تجربة فريدة تمزج بين المعاني النصية مع الهياكل الرسومية، مما يفتح آفاقًا جديدة في العديد من مهام تعلم الرسوم البيانية. ومع ذلك، كانت الطرق الحالية تفتقر إلى العمق، حيث تعاملت مع النص والهياكل كمدخلين منفصلين، مما أدى إلى أداء محدود خاصة في ظل الترابط النادر أو التعميم عبر الرسوم البيانية المختلفة.

لذلك، تم تقديم تقنية جديدة تُطلق عليها تسمية PromptGNN-sim، وهي إطار عمل متميز يتيح الاندماج العميق بين بيانات الرسوم البيانية والشبكات العصبونية الكبيرة (Large Language Models - LLMs). تعتمد هذه التقنية على شبكة الانتباه الرسومي (Graph Attention Network - GAT)، التي تُحسن اختيار الجوار الدلالي من خلال دمج الانتباه الهيكلي مع تشابه النص.

تساعد العلاقات الهيكلية المُختارة في توليد إشارات (prompts) تتسم بالوعي الهيكلي للنموذج اللغوي الكبير (LLM)، بما في ذلك ملخصات العقد المستهدفة وفئات التسميات والكلمات الرئيسية الممثلة من الجيران المماثلين. وخلال عملية التدريب، يتم إدخال التعلم التبادلي بين النماذج والتوازن التبادلي لتحسين الأداء المشترك لمكونات GNN وLLM.

أُجريت تجارب على ست مجموعات بيانات عامة، تشمل Cora وPubmed وWikiCS، لقياس الدقة والتعميم والقدرة على التحمل تحت التحويل عبر المهام والتعميم عبر مجموعات البيانات والاضطرابات النادرة. أظهرت النتائج أن PromptGNN-sim تفوق على النماذج الكلاسيكية لـ GNN وLLMs، إلى جانب الأساليب الحديثة لدمج GNN وLLM، مما يؤكد فعالية التعاون التفاعلي بين البنية والمعنى النصي في تعلم الرسوم البيانية.