超越规模：利用领域特定的细粒度权利要求依赖图预测专利批准
内容提要
本文回顾了大型语言模型（LLMs）在图形应用中的优缺点，提出了新的分类法，并探讨了其在心理学和金融等领域的潜在应用。研究表明，结合因果知识图谱和LLMs可以自动生成新假设，提升知识图谱的准确性和解释性，为未来研究提供新方向。
延伸解读
分类法：LLM在图任务中的三种角色
文章提出将LLM在图相关任务中的角色分为增强器、预测器和对齐组件三类。增强器利用LLM提升图模型能力，预测器直接进行图预测，对齐组件则协调图与文本信息。这一分类法系统梳理了现有方法，有助于研究者定位不同技术的适用场景，并识别各类方法的优势与局限。
因果知识图谱与LLM结合：心理学假设生成
研究利用LLM分析43312篇心理学文章，提取因果关系对，并通过链接预测生成130个关于“幸福”的假设。与博士学者构思的想法及仅用LLM生成的假设相比，结合方法在新颖性上显著更优（p=0.007和p<0.001）。这表明LLM与因果知识图谱结合能实现自动化发现，为心理学研究提供数据驱动的新范式。
金融领域专用LLM：数据中心方法与性能提升
针对金融任务，文章提出金融LLM（FLLM）模型，通过多任务提示优化进行数据预处理，并利用推断增强推理自动生成训练数据。实验表明，该模型在金融分析和解释任务上显著优于基于原始文本的金融LLM，达到最新水平。同时开源了新的基准，为LLM在复杂现实领域的应用提供了思路。
评估与可解释性：GraphEval与不确定性感知
GraphEval方法利用包含超1000万事实的大规模知识图检索测试数据集，通过判断模型评估LLM输出正确性，大幅降低评估成本。另一项工作引入不确定性感知模块，为生成答案提供置信度评分，在十个基准数据集上七个达到0.8以上AUC。这些方法提升了LLM在图处理中的可靠性和可解释性。
Q&A
大型语言模型在图形应用中有哪些优缺点？
大型语言模型在图形应用中具有生成新假设的能力，但在处理复杂图形时可能面临准确性和解释性的问题。
如何结合因果知识图谱和大型语言模型生成心理学假设？
通过分析心理学文章，结合因果知识图谱和大型语言模型，可以生成关于特定主题的心理学假设，如“幸福”。
GraphEval方法如何评估大型语言模型的性能？
GraphEval方法通过大规模测试数据集评估大型语言模型的性能，简化评估过程并降低成本。
金融LLM模型的优势是什么？
金融LLM模型通过多任务提示优化和推断增强推理，显著提高了金融分析的准确性。
如何提高图处理的准确性和解释性？
通过结合大型语言模型和不确定性感知模块，可以提高图处理的准确性和解释性。
大型语言模型在心理学研究中的应用前景如何？
大型语言模型在心理学研究中可以实现自动化发现，提取新颖见解，推动基于数据的假设生成。
