谷歌近期揭晓了一项基于图结构的新型人工智能技术——图基础模型（GFM）。这项突破性技术能直接处理未经训练的全新图结构数据，在垃圾广告识别等规模化应用中，其精准度较现有方法提升最高达40倍。新媒网跨境获悉，谷歌研究团队在官方公告中将其描述为"突破现有技术边界的创新尝试"。

"我们正在探索开发单一模型的可能性，使其既能出色处理互关联表格数据，又能泛化至任意表格、特征和任务组合，且无需额外训练。"谷歌技术团队在公告中表示，"图基础模型的研发进展，正在推动图学习与表格机器学习超越传统基准。"

图神经网络的技术跃迁

图数据结构通过节点（实体）和边（关联关系）构建信息网络。在互联网领域，最典型的应用当属网页链接图谱——通过超链接构建的全球网页关系网络。

当前主流技术依赖图神经网络（GNN）分析网页内容主题。这类技术虽能有效捕捉节点特征与连接关系，却存在显著局限：每个模型仅适用于特定训练图谱。若需处理新型图谱，必须重新训练专属模型。这好比每次处理新语种都需要单独训练模型，而现代大语言模型早已突破这种限制。

新媒网跨境了解到，图基础模型的核心突破正在于此。该技术首次实现跨图谱泛化能力，无需针对每个新图谱重新训练，即可精准识别其中模式与关联。测试数据显示，其处理新图谱的精准度跃升3至40倍。

未公开的技术细节

值得关注的是，此次公告未附带研究论文。外媒报道指出，这延续了谷歌近年减少论文披露的趋势。业界推测，该技术可能涉及关键竞争优势，因此选择暂不公开细节。

化表格为智能网络

以互联网图谱为例，网页即节点，超链接即边。传统图谱中，相关主题的网页会形成紧密连接集群。图基础模型则采用创新架构：将每张数据表的行转化为节点，通过表间关系建立节点连接，最终构建统一的大型异构图（含多种节点类型）。

（1）数据表的图结构转化
技术文档说明："数据预处理阶段将多张表格转化为单一图谱。每行数据转化为对应类型的节点，外键列则转化为节点间的连接边。图示的五张表格经转换后，形成完整的关联网络。"

该技术的精妙之处在于流程的简洁性与可扩展性。新媒网跨境认为，其规模化能力尤其关键——这意味着该模型能无缝接入谷歌的巨型基础设施。

"即使表格特征数据（如价格、尺寸、类别）存在稀疏或噪声问题，利用表间连接结构仍是提升机器学习效能的关键。"技术团队强调，"整个预处理仅需将表格集合转为异构图谱：每张表定义为独立节点类型，每行数据作为节点，外键关系转化为跨表边连接，其余列转为节点特征。时间信息也可选择性保留为节点或边特征。"

实战检验成效显著

该技术已在谷歌广告反垃圾系统中完成验证。现有系统因无法跨图谱关联分析，常遗漏关键上下文线索。而图基础模型成功整合数十个大型图谱，显著提升识别准确率。

技术公告明确指出："相较优化后的单表基线模型，我们观察到显著性能提升。根据具体任务需求，图基础模型带来3至40倍的平均精度提升，这印证了关系表中图结构对机器学习模型的重要价值。"

商业化应用前景

本次在谷歌广告反垃圾场景的成功测试具有标志性意义。测试报告显示该技术存在明确优势且无明显缺陷，预示其具备投入实际生产环境的能力。由于模型架构的灵活性，其应用场景可延伸至内容主题识别、链接作弊检测等多图谱协作领域。

与常见技术公告不同，此次成果未提及任何技术短板，仅强调存在持续优化空间："通过扩大训练数据规模、深化泛化理论理解，现有成果仍有提升空间。"这种表述暗示该技术已具备成熟落地条件。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/4842.html