GraphCLIP

让图模型像CLIP一样能迁移，文本图任务零样本也能用

GraphCLIP 是一个针对文本属性图（Text-Attributed Graphs）的图基础模型官方实现，旨在解决图模型在跨域、跨任务迁移时泛化能力不足的问题。它通过将图结构与文本语义对齐，利用对比学习框架（类似 CLIP）统一图与文本的表示空间，从而提升模型在未见图数据上的零样本或少样本迁移能力。核心能力包括：文本与图结构的联合编码、可迁移的图表示学习、以及支持多种下游任务（如节点分类、链接预测）的微调与评估。项目基于 Python 实现，提供模型训练、评估和推理脚本，适合研究图基础模型和文本-图多模态学习的开发者使用。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 80
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队ZhuYun97
所属国家
官网地址
GitHubhttps://github.com/ZhuYun97/GraphCLIP
定价模式free
价格说明开源项目，本地部署，完全免费。
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型foundation-models,gnn,graph,graph-foundation-model,llm
GitHub 星标★ 80
30天Star增速
HF 下载量
上线时间2024-10-08 00:00:00
最近更新2026-09-03 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数4

使用教程

核心亮点

  • 提出图-文本对比学习新范式，显著提升图模型跨数据集迁移能力
  • 官方实现，代码结构清晰，包含完整训练与评估流程
  • 支持多种文本属性图基准数据集，便于复现和对比

不足之处

  • 项目处于早期，文档和社区支持待观察
  • 依赖较多外部库，环境配置可能稍复杂

适用场景

  • 学术研究：探索图基础模型的迁移学习与多模态对齐
  • 工业应用：在文本丰富的图数据（如社交网络、知识图谱）上进行零样本节点分类
  • 模型开发：作为基线对比其他图神经网络或图Transformer

替代项目

GraphMAE、GPPT、GraphCL

项目介绍

GraphCLIP 是开源模型领域的开源项目，由 ZhuYun97 开发，2024 年首次发布。

它收录于开源模型分类，该分类目前共有 422 个项目，GitHub 星标数为 80。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-03。本地部署，完全免费。

它主要面向的使用场景是：学术研究：探索图基础模型的迁移学习与多模态对齐。同类可对比的替代方案包括 GraphMAE、GPPT、GraphCL。

上一篇：HuBERT-ECG

下一篇：RET-CLIP

同类项目推荐

Machine-Learning 开源

跟着博客笔记，边看边跑机器学习代码

All content related to machine learning from my blog

★ 115 2026-08-09
CoreML-Models 开源

下载即用的苹果端 AI 模型库，免去转换烦恼

Core ML model zoo for iOS/macOS — PyTorch models converted to ready-to-use .mlpacka···

★ 1873 2026-08-10