IndexFziQ/GNN4NLP-Papers

它是什么

GNN4NLP-Papers 是一个经过精心整理且频繁更新的研究论文列表，涵盖了将 图神经网络 (GNNs) 应用于自然语言处理 (NLP) 的相关工作。如果您从事语言 AI 的研究或学习，此仓库是查找该交叉领域相关会议论文及其他关键资源的捷径。

简述两个领域

• GNNs (图神经网络): 一类旨在处理 图 结构数据的机器学习模型——节点（例如，单词、句子）通过边（例如，依赖关系、共现）连接。GNN 通过在连接的节点之间传递信息进行学习。
• NLP (自然语言处理): 让计算机理解和生成人类语言——例如翻译、问答、情感分析和文本分类等任务。

此仓库收集了这两个领域交叉点的论文：利用图结构来改进语言任务。

组织方式

提供两种互补的方式，方便您按 主题 或 会议 进行搜索：

• 按主题 ("Taxonomy"): 12 个主题列表，每个列表为一个独立文件——例如：对话、问答、情感分析、文本分类、文本生成、知识图谱、信息抽取，以及理论和视觉问答。一个值得注意的近期新增内容是 "LLM and Graph"，于 2026 年 1 月更新中加入，反映了关于大语言模型和图检索增强生成 (GraphRAG) 的研究。
• 按会议 ("According to Conference"): 10 个文件，按论文发表的会议对条目进行分组——ACL、EMNLP、NAACL、COLING、ICLR、ICML、KDD、WWW、CIKM、ICCV。README 指出该仓库总体涵盖了这些会议，以及 IJCAI、AAAI、NIPS 和 SIGIR。

内容概览（列表之外）

• 更新日志: README 跟踪了每次更新——例如，2022 年 5 月添加了 ACL-2022 论文，2026 年 1 月添加了 LLM 和 GraphRAG 内容。
• 综合 GNN 论文列表链接: 三个知名的外部仓库（例如 thunlp/GNNPapers），供希望进行更广泛图相关文献综述的读者参考。
• 教程: 两个指引——2019 年 EMNLP 关于 GNNs-for-NLP 的教程，以及斯坦福大学的 CS224W 图机器学习课程。
• 工具: 指向两个流行 GNN 库的链接——Deep Graph Library (DGL) 和 PyTorch Geometric (PyG)。
• 博士论文: 四篇与 NLP 或深度学习中图结构表示相关的博士论文（例如，来自阿尔伯塔大学、阿姆斯特丹大学、IISc 和剑桥大学作者的论文）。

总结

这是一个 路线图，而不是一个工具——无需安装代码，无需运行模型。它的价值在于作为一张可靠且持续维护的地图，帮助您在想要将图方法应用于语言任务或了解该领域现状时，快速找到相关的论文和学习资料。2026 年的最新更新表明，维护者正在积极跟踪 GNN 与现代 LLM 及检索增强生成技术的结合点。