TEG-DB

TEG-DB是一个综合性的文本边缘图数据集和基准，由上海大学创建。该数据集包含9个子数据集，涵盖图书推荐、电子商务、学术和社交网络等多个领域，数据规模从小到大不等。每个数据集不仅包含丰富的节点文本信息，还包含详细的边缘文本描述，旨在通过文本增强图分析的深度。创建过程中，数据集经过严格的预处理和图构建步骤，确保数据质量和图结构的合理性。TEG-DB的应用领域广泛，主要用于解决图结构数据中节点和边缘的文本信息利用问题，提升图分析的准确性和深度。TEG-DB is a comprehensive text-edge graph dataset and benchmark developed by Shanghai University. It comprises 9 sub-datasets covering multiple domains including book recommendation, e-commerce, academic research, and social networks, with data scales ranging from small to large. Each dataset not only contains rich node textual information but also detailed edge textual descriptions, with the goal of enhancing the depth of graph analysis via textual information. During the dataset curation process, strict preprocessing and graph construction procedures have been applied to ensure data quality and the structural soundness of the graphs. TEG-DB has a wide range of application scenarios, and is primarily used to address the challenge of utilizing both node and edge textual information in graph-structured data, thereby improving the accuracy and depth of graph analysis.

搜集汇总

数据集介绍

构建方式

TEG-DB的构建基于对多种现实世界图数据源的系统收集与预处理。研究团队从Goodreads、Amazon、Semantic Scholar、Reddit和Twitter等平台选取了九个大规模数据集，涵盖图书推荐、电子商务、学术引用和社交网络四大领域。构建过程分为三步：首先对原始文本属性进行清洗，包括处理缺失值、过滤非英语内容、移除异常符号和截断过长文本；其次依据数据内在关系（如引用、评论）构建节点连接，并剔除自环和孤立节点；最后将图结构统一存储为PyTorch Geometric兼容格式，同时保留节点与边的原始文本及嵌入向量，形成标准化、可复用的TEG数据集。

使用方法

TEG-DB提供了三种主流范式作为使用方法：基于预训练语言模型（PLM）的方法利用GPT-3.5、BERT等编码节点文本生成初始嵌入，再通过MLP进行分类或预测；基于图神经网络（GNN）的方法在消息传递中同时整合节点与边的文本嵌入，支持GraphSAGE、GINE等模型；大语言模型（LLM）作为预测器的方法则将图结构转化为文本提示，直接由GPT-4等模型回答任务问题。所有数据集均以统一格式开放，配合标准化数据加载与评估管线，研究者可轻松复现实验、对比模型性能，并针对特定领域进行深入探索。

背景与挑战

背景概述

文本属性图通过自然语言描述增强了图结构的数据表示能力，广泛应用于社交网络、引文网络和推荐系统等现实场景。然而，现有数据集大多仅在节点上提供文本信息，边通常仅以二元或类别属性表示，这严重限制了对实体间上下文关系的深入探索。为弥补这一空白，TEG-DB数据集由上海大学、山东大学、约翰霍普金斯大学、中国石油大学（华东）和埃默里大学的研究人员于2024年共同创建，旨在提供首个专门针对文本边图的综合性基准数据集。该数据集涵盖图书推荐、电子商务、学术和社交网络四大领域，包含九个大规模子集，每个子集均同时为节点和边提供丰富的原始文本描述，为图表示学习领域开辟了新的研究方向，并推动了自然语言处理与图神经网络社区的协同发展。

当前挑战

TEG-DB数据集面临多重挑战。首先，在领域问题层面，传统图学习方法仅能处理节点文本或二元边属性，难以有效利用边上的丰富语义信息来捕捉节点间复杂交互关系，这限制了模型在链接预测和节点分类等任务上的性能提升。其次，在构建过程中，收集同时包含节点和边文本描述的大规模多领域数据集极具难度，需从Goodreads、Amazon、Semantic Scholar等异构数据源整合原始数据，并执行缺失值处理、非英文过滤、异常符号移除及长度截断等繁琐预处理步骤。此外，不同来源数据的格式不统一，需设计标准化管道实现图构建、自环和孤立节点剔除，以及统一的数据存储格式，以确保实验的可重复性和公平比较。

常用场景

经典使用场景

在文本属性图（TAG）研究领域，TEG-DB数据集以其独特的双文本标注特性脱颖而出，为图结构数据引入了节点与边均携带丰富自然语言描述的创新范式。该数据集最经典的使用场景聚焦于图表示学习的核心任务，涵盖节点分类与链接预测两大方向。通过整合来自图书推荐、电子商务、学术引文及社交网络四大领域的九个大规模子集，TEG-DB为研究者提供了跨领域、多尺度的实验平台，使得基于文本边信息的图神经网络（GNN）与预训练语言模型（PLM）的协同优化成为可能，从而推动了对实体间语义关联的深层挖掘。

解决学术问题

TEG-DB的提出系统性地回应了文本边图研究中的三大核心挑战：数据稀缺性、实验设置不一致性及基准评估缺失。此前，多数图数据集仅提供节点文本属性，边信息局限于二元或类别标签，严重制约了对实体间上下文关系的理解。该数据集通过构建首个涵盖丰富边文本的标准基准，使得研究者能够量化评估现有方法（如GNN与PLM）在利用边文本信息时的效能增益。实验表明，融入边文本可带来至少3%的AUC提升与8%的F1改进，从而验证了文本边信息在增强图分析深度方面的关键作用，为后续方法设计奠定了实证基础。

实际应用

在实际应用层面，TEG-DB所涵盖的图书推荐与电子商务网络子集直接服务于个性化推荐系统的优化。例如，在Goodreads与Amazon数据集中，节点代表书籍或商品，边承载用户评论的详尽文本，这使得模型能够超越传统的协同过滤，通过解析评论语义精准推断用户偏好，实现更为细粒度的多标签分类与链接预测。在社交网络领域，Reddit与Twitter子集则助力于社区检测与影响力传播分析，通过用户间及用户与主题间的文本边信息，提升对社交动态的理解，从而为内容推荐、舆情监测及商业决策提供数据驱动的洞察。

数据集最近研究

最新研究方向

在文本属性图领域，传统研究多聚焦于节点文本信息的建模，而边信息往往被简化为二元或类别属性，这严重制约了对实体间复杂语义关系的深入挖掘。TEG-DB数据集的提出，标志着研究范式向文本边图（TEG）的关键转型，其核心前沿方向在于探索如何有效融合节点与边的丰富文本描述，以增强图结构数据的表征能力。该数据集横跨书籍推荐、电子商务、学术引用及社交网络等多个领域，提供了大规模、多样化的基准测试平台。当前研究热点集中于评估预训练语言模型、图神经网络及其组合方法在利用边文本信息方面的效能，尤其关注链接预测与节点分类任务。这一方向紧密关联大语言模型在结构化数据上的应用浪潮，通过揭示边文本对提升语义理解与关系推断的关键作用，TEG-DB正推动图机器学习迈向更精细、更接近真实世界复杂性的分析新阶段，其深远意义在于为构建通用图基础模型奠定数据与评测基石。

相关研究论文

• TEG-DB: A Comprehensive Dataset and Benchmark of Textual-Edge Graphs

  上海大学 · 2024年