BriefGPT - AI 论文速递
·
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。
📝
内容提要
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。
🎯
关键要点
- 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。
- 首次系统地评估了 LLMs 在动态图中的时空信息理解能力。
- 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。
- 提出了一种名为 Disentangled Spatial-Temporal Thoughts (DST2) 的方法，用于增强 LLMs 在动态图中的时空理解能力。
- LLMs 在动态图中具有初步的时空理解能力。
- 随着图大小和密度的增加，动态图任务对 LLMs 的难度增加，但对时间跨度和数据生成机制不敏感。
- DST2 提示方法可以帮助提高 LLMs 在动态图中的时空理解能力。
- 数据和代码将在发布时开源。
➡️
