网页链接不再一律拉向邻居：ZeroPolar用无标签极性判断，GPT-4o标注下十一图均值73.99%
核心概要
网页平台在新页面还没有人工标签时就要分类，大语言模型逐页给出的标签有噪声，而链接在不同站点含义相反：购物站常连同类别商品，高校站点多连不同类别页面。ZeroPolar把链接进入预测的符号称为结构极性，用大语言模型标签与文本原型预测沿边的超额一致度在无真实标签下读出该符号，再执行一步带符号传播。每页一个GPT-4o标签时，ZeroPolar-T在十一个图上取得最高均值73.99%，比LLM-BP高6.01个百分点。
深度剖析
网页图上的链接第一次以一个可测量的符号进入零样本分类：同质图上把节点拉向邻居有益，异质超链接图上拉向邻居反而有害，方法需要先决定信任还是反向使用链接。 此前的零样本方法要么忽略链接，要么像标签传播和图神经网络那样把节点拉向邻居，要么用大语言模型估计的同质性给传播加权；在WebKB超链接图上，向邻居走一步至少损失9.27个百分点。 十一个文本属性图上的对照显示，七个同质图上向邻居走一步有益、反向至少损失15.42个百分点，四个WebKB图上向邻居走一步至少损失9.27个百分点，两种符号的优劣与图的类型一致。
结构极性可以在没有任何真实标签的情况下读出，因此新图不必依赖手工列出的图族清单，也不必额外调用大语言模型去估计同质性。 已发布的LLM-BP近似版本从手写的异质图清单读取符号，清单不包含新图；直接统计相邻节点共享大语言模型标签的比例会混入偶然一致，类别数量和规模会抬高该比例。 扣除偶然一致后的超额一致度，在GPT-4o标签和原型预测两种来源上取较大者，在每个同质图上不低于0.360、在每个WebKB图上不高于0.078，并与真实标签的超额一致度同向变化。
一步带符号传播把文本、原型分数和大语言模型标签组合起来，并按标注预算切换两种实现：标签少时不训练，标签覆盖至少一半节点时先用文本分类器去噪。 直接传播原始标签无法修正相连页面共有的错误，在链接连接不同类别的图上还会把页面拉向错误类别；在标签图上训练的图神经网络需要大多数节点带标签，并从有噪声的标签里学习聚合方式。 每页一个GPT-4o标签时，ZeroPolar-T在十一个图上的均值为73.99%，比LLM-BP高6.01个百分点、比SAGE h64高2.06个百分点，并显著高于全部十八个基线；只有5%节点带标签时，免训练ZeroPolar达到67.85%，比在同样多随机标签上训练的SAGE h64高10.80个百分点。
启示与展望
验证覆盖十一个文本属性图、两个附加图和Instagram、Reddit、Photo三个额外网络平台，使用GPT-4o、Qwen3-8B、Llama-3.1-8B、Mistral-7B和Qwen3.8-27B作为标注者，并在七种编码器设置下重复；读者对象是处理文本属性图零样本节点分类的研究者与平台工程师。
设置敏感性上，十六组取值下ZeroPolar的十一图均值保持在72.05%到72.47%之间，ZeroPolar-T在每个测试的取值下保持73.99%，两种实现都是一步传播最好，第二步会降低均值；在少样本真实标签设置中，每类十个真实标签时ZeroPolar-T为65.36%，低于少样本LLM-BP的68.07%。