OpenRTAG：面向文本属性图鲁棒学习的综合基准测试

OpenRTAG：为低质量文本属性图学习提供统一鲁棒性评估基准

在现实世界的图数据中，文本属性图（Text-Attributed Graphs, TAGs） 是一种将关系结构与丰富的节点文本相结合的重要数据形式。然而，真实场景下的 TAGs 往往并不完美，其质量问题通常表现为文本、结构和标签三个维度的稀疏性、噪声和失衡。这些退化现象构成了九种典型的退化场景，对 TAG 的学习效果产生显著影响。

针对现有研究在退化类型、数据集、任务和模型家族方面证据碎片化、导致 TAG 鲁棒性理解不足的问题，Yuze Dai 等人提出并发布了 OpenRTAG。这是一个专为文本属性图学习设计的鲁棒性基准测试框架。

OpenRTAG 的核心架构与功能

OpenRTAG 将 TAG 的质量问题组织为一个统一的 3 × 3 分类体系，并支持跨九个 TAG 数据集和三个下游任务的标准化评估。该基准测试旨在提供一个标准化的测试平台，以理解在现实低质量设置下 TAG 学习的鲁棒性。

具体而言，OpenRTAG 执行了以下系统性评估：

1. 场景有效性与模型敏感性分析：验证不同退化场景对模型的影响及模型对这些场景的敏感程度。
2. 多模型家族对比：比较传统 GNN（图神经网络）、LLM-GNN（大语言模型与图神经网络结合）以及代表性 GFM（通用图模型）的表现。
3. 基线方法评估：调查与特定场景匹配的基线方法的有效性、效率和鲁棒性。
4. 复合场景研究：进一步考察模型在复合退化场景下的行为特征。

关键事实与数据

• 论文标题：OpenRTAG: A Comprehensive Benchmark for Robust Text-Attributed Graph Learning under Data Quality Degradation
• 作者团队：Yuze Dai, Zhihan Zhang, Yan Zhao, Ruoyu Wu, Xunkai Li, Zekai Chen, Qiangqiang Dai, Hongchao Qin, Ronghua Li
• 发布平台：arXiv (cs.AI)
• 提交日期：2026年7月21日
• arXiv ID：2607.19108
• 论文篇幅：9页，包含10张图表和3个表格
• 访问链接：
  • arXiv 摘要页：https://arxiv.org/abs/2607.19108
  • PDF 下载：https://arxiv.org/pdf/2607.19108
  • 实验性 HTML 版本：https://arxiv.org/html/2607.19108v1
  • DOI：https://doi.org/10.48550/arXiv.2607.19108

行业意义

随着图数据与大语言模型的融合应用日益广泛，数据质量成为影响模型性能的关键瓶颈。OpenRTAG 的出现填补了该领域缺乏统一鲁棒性评估标准的空白。对于 AI 从业者和开发者而言，该基准测试不仅提供了评估现有模型在低质量数据下表现的工具，也为设计更具鲁棒性的新型图学习算法指明了方向。通过标准化评估九个数据集和三种下游任务，OpenRTAG 有助于推动 TAG 学习在现实复杂环境中的落地与应用。