LLM4DyG:大型语言模型能否解决动态图问题?
原文中文,约500字,阅读约需1分钟。发表于: 。在本文中,我们通过提出评估大型语言模型在动态图中的时空理解能力的 LLM4DyG 基准,第一次系统地评估了 LLMs 在动态图中的时空信息理解能力,并通过广泛的实验分析了不同的数据生成器、数据统计、提示技术和 LLMs 对模型性能的影响。我们提出了一种名为 Disentangled Spatial-Temporal Thoughts (DST2) 的方法,用于增强 LLMs...
本文提出了评估大型语言模型在动态图中的时空理解能力的 LLM4DyG 基准,并通过广泛的实验分析了不同的数据生成器、数据统计、提示技术和 LLMs 对模型性能的影响。作者提出了一种名为 DST2 的方法,用于增强 LLMs 在动态图中的时空理解能力。实验结果表明,LLMs 在动态图中具有初步的时空理解能力,而 DST2 提示方法可以帮助提高 LLMs 在动态图中的时空理解能力。