生成图分析的大型语言模型综述：查询、学习和应用
内容提要
本文探讨了大型语言模型（LLMs）在图机器学习中的应用，提出了增强器、预测器和对齐组件的新分类法。研究表明，LLMs能够提高图特征质量，减少对标记数据的依赖，并在图生成和分析中展现潜力。尽管在结构推理和多答案任务上存在挑战，LLMs在图数据处理方面仍具有优势，为未来研究提供了新方向。
延伸解读
分类法意义：理解LLM在图任务中的角色
文章提出的新分类法将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。这一分类有助于研究者系统梳理现有方法，明确不同角色下的技术路线。增强器侧重提升图特征质量，预测器直接进行图预测，对齐组件则协调图与语言模型。理解这一分类，能帮助读者快速定位特定研究的贡献，并识别未来可能的创新方向。
LLM在图学习中的优势与局限
评估显示，LLM能有效理解自然语言的图数据并进行拓扑推理，GPT模型在正确性上优于其他方法，且GPT-4能纠正早期版本的错误。然而，所有模型在结构推理上仍面临挑战，零样本和少样本提示效果减弱，多答案任务中常产生错误答案，且模型输出自信度高，可能影响纠错能力。这些局限提示实际应用中需谨慎验证结果。
InstructGLM的突破与启示
InstructGLM通过自然语言描述图的几何结构和节点特征，以生成方式执行图学习和推理，超越了所有竞争的GNN基准数据集。这一结果证明了生成语言模型替代GNN作为图机器学习基础模型的潜力。它启示研究者，利用自然语言作为图数据的统一表示，可能简化模型设计并提升跨任务泛化能力，但需进一步验证其在大规模图上的可扩展性。
Q&A
大型语言模型在图机器学习中有哪些应用？
大型语言模型在图机器学习中可作为增强器、预测器和对齐组件，能够提高图特征质量，减少对标记数据的依赖。
LLMs如何解决图的异质性和分布外泛化问题？
LLMs通过增强图特征质量和减少对标记数据的依赖，帮助解决图的异质性和分布外泛化等挑战。
InstructGLM模型的主要特点是什么？
InstructGLM模型通过自然语言描述图的几何结构和节点特征，超越了所有竞争的GNN基准数据集，证明了其有效性。
大型语言模型在图生成任务中的表现如何？
大型语言模型在图生成任务中展现了初步能力，包括基于规则和分布的生成，尤其在生成具有特定属性的分子方面表现出潜力。
LLMs在结构推理和多答案任务上存在哪些挑战？
LLMs在结构推理和多答案任务上面临挑战，零-shot推理和少-shot提示的效果减弱，且常常产生错误答案。
未来研究在大型语言模型与图学习结合方面有哪些方向？
未来研究可能集中在进一步探索LLMs在图学习中的应用，特别是在节点分类任务和复杂数据结构分析方面。
