面向文本图的大语言模型高效微调与推理

1. 引言

文本图（Textual Graphs）是一类兼具丰富文本信息与复杂拓扑结构的数据形式，广泛存在于学术网络、电子商务、社交网络等现实场景中。在传统的图数据分析中，节点通常仅包含属性信息或简单的标签，而现代应用场景下，节点往往附带大量的非结构化文本描述（如论文摘要、商品详情、用户评论）。如何有效融合这些文本语义与图结构信息，成为提升下游任务性能的关键。

早期研究多采用静态浅层嵌入方法，将文本映射为固定维度的向量后结合图神经网络（GNN）进行处理。然而，静态嵌入难以捕捉上下文依赖和复杂的语义关系，导致在复杂图任务中表现受限。随着大型语言模型（LLMs）的兴起，其强大的文本编码能力为文本图处理带来了新机遇。现有的尝试通常通过级联或迭代结构将 LLM 与 GNN 结合，但这类方法存在协同建模不足的问题：LLM 负责文本编码，GNN 负责结构编码，两者缺乏深度的特征交互。若对 LLM 进行全量联合训练，虽然能实现特征融合，但会带来巨大的内存和时间开销，难以在实际应用中部署。

针对上述挑战，本文提出了一种名为 ENGINE 的高效参数与内存节约型微调方法。该方法利用 LLM 作为核心编码器，通过引入可调的侧结构（Side Structure）实现 LLM 与 GNN 的深度融合，在显著降低训练复杂度的同时，保持了联合模型的强大表达能力。

2. 研究背景与挑战

2.1 文本图的局限性

在现实世界的知识图谱或推荐系统中，数据往往以图的形式组织。例如，在学术引用网络中，节点代表论文，边代表引用关系，而文本则是论文的标题和摘要。传统的图神经网络（如 GCN、GAT）主要依赖邻域聚合来更新节点表示，对于节点自身的文本内容，通常预先使用 BERT 等模型提取特征并冻结。这种'静态嵌入 + GNN'的模式存在明显缺陷：

语义丢失：预训练的文本嵌入无法根据具体的图结构任务进行微调，导致特定领域的语义信息未被充分利用。
上下文割裂：文本编码与结构编码分离，忽略了文本内容与邻居节点之间的相互影响。
泛化能力弱：面对分布外（OOD）的图数据，静态嵌入难以适应新的语义模式。

2.2 大模型集成的效率瓶颈

近年来，研究人员尝试直接将 LLM 集成到图学习中，以提升语义理解能力。主流方案包括：

级联结构：先由 LLM 生成节点表示，再输入 GNN。这种方式简单但无法反向传播梯度至 LLM，限制了端到端优化。
迭代结构：交替更新 LLM 和 GNN 的参数。这种方式虽然实现了联合训练，但计算开销极大，且容易陷入局部最优。
全量微调：直接对 LLM 的所有参数进行更新。这会导致显存占用激增，训练时间成倍增加，且容易引发灾难性遗忘。

因此，如何在保持 LLM 强大语义能力的同时，实现高效的图结构融合，是当前的核心难题。

3. 方法设计：ENGINE 框架

为解决上述问题，本文提出了 ENGINE（Efficient Node Graph Integration with Encoder）框架。该框架的核心思想是在冻结 LLM 主干参数的前提下，通过轻量级的侧结构注入图结构信息，并利用缓存机制加速训练过程。

3.1 G-Ladder 侧结构

ENGINE 在 LLM 的每一层旁边引入了一个基于 GNN 的侧结构，称为 G-Ladder。具体设计如下：

并行处理：LLM 的主干路径负责提取深层的文本语义特征，而 G-Ladder 并行运行消息传递机制，聚合邻居节点的结构信息。
特征融合：在每个层级，G-Ladder 输出的结构增强表示会与 LLM 的隐藏状态进行融合（如拼接或相加），随后输入下一层 LLM。这种设计允许结构信息逐层渗透进文本表示中。
参数高效：类似于 LoRA（Low-Rank Adaptation）技术，G-Ladder 仅包含少量可训练参数。大部分 LLM 参数被冻结，从而大幅减少了需要优化的参数量。

3.2 缓存与预计算机制

由于 LLM 参数被冻结，节点的文本嵌入在训练过程中保持不变。ENGINE 利用这一特性设计了缓存机制：

预计算嵌入：在训练开始前，一次性计算所有节点的 LLM 文本嵌入，并将其存储在高速缓存中。
避免重复计算：在每次前向传播时，直接从缓存读取文本特征，无需再次经过 LLM 的前向计算。这显著降低了训练过程中的时间复杂度。