Badacze opracowali nową metodę przetwarzania złożonych grafów zawierających etykiety, tekstowe i kategoryczne właściwości przypisane zarówno do węzłów, jak i relacji. Konwencjonalne grafowe sieci neuronowe reprezentują te właściwości jako statyczne wektory cech, co ogranicza ich zdolność do określenia, które informacje semantyczne powinny wpływać na przesyłanie wiadomości dla konkretnego celu predykcji. Nowa architektura SLM-Conditioned Hierarchical Relation Routing rozwiązuje ten problem, integrując mały model języka bezpośrednio w proces selekcji wiadomości.
System działa na dwóch poziomach. Topologiczna sieć neuronowa zapewnia stabilną reprezentację strukturalną jako punkt kotwicy dla predykcji. Dla każdego węzła docelowego przychodzące wiadomości łączą stan strukturalny sąsiada, kodowanie właściwości węzła, kodowanie właściwości relacji i typ relacji. Parametrycznie efektywny mały model języka przetwarza strukturalizowane soft tokeny grafu i generuje zapytanie routingu uwarunkowane celem. To zapytanie najpierw wybiera istotne wiadomości w ramach każdego typu relacji, a następnie kieruje informacjami poprzez podsumowania na poziomie relacji.
Rezultujące przedstawienie dostarcza ograniczoną aktualizację rezidualną do kotwicy topologicznej, zachowując dowody strukturalne jednocześnie pozwalając informacjom semantycznym modyfikować predykcję. Architektura wspiera analizę wyników na poziomie zarówno sąsiadów, jak i typów relacji, oferując ogólny mechanizm do integracji semantyki pochodzącej z modelu języka w naukę grafów bogatych we właściwości.