GraphFM：图基模型的全面基准测试
内容提要
图基础模型（GFM）是图领域的新兴研究，旨在概括不同图和任务。文章综述了GFM的关键特征、技术及潜在研究方向，结合异构图神经网络和大型语言模型实现个性化推荐，并探讨自我监督预训练任务及其在零样本图学习中的应用。
延伸解读
图基础模型的核心挑战与“图词汇表”视角
图基础模型旨在泛化到不同图和任务，但跨结构模式图之间的正向传递是关键挑战。文章提出“图词汇表”视角，通过编码基本可转移单元的不变性来应对，这可能推动未来设计遵循神经规模定律。这一视角为构建通用图模型提供了新思路，但实际效果仍需验证。
技术路线分类：基于GNN与基于LLM
文章将现有图基础模型工作分为基于图神经网络和大语言模型两类。这种分类有助于理解不同方法的依赖性和适用场景。基于GNN的方法可能更注重图结构，而基于LLM的方法则利用语言模型能力。读者可关注两类方法在跨图任务上的表现差异。
自监督预训练任务综述：9类知识与25项任务
文章综述了图基础模型的自我监督预训练任务，涵盖9个知识类别和25个预训练任务，并讨论了下游任务适应策略。这为研究者提供了任务设计的参考框架，但如何选择合适任务以提升泛化能力仍需进一步探索。
评估与比较：无需度量的几何方法
文章提出一种不需要度量的基于嵌入空间几何的方法来比较基础模型，并展示其如何诱导模型流型，与多个下游度量强相关。这为模型评估提供了新工具，但该方法的普适性和鲁棒性需在更多场景中检验。
Q&A
图基础模型（GFM）是什么？
图基础模型（GFM）是一种旨在概括不同图和任务的图模型，属于图领域的新兴研究。
GFM的关键特征和技术有哪些？
GFM的关键特征包括基于图神经网络和大型语言模型的分类，以及通过图词汇表解决跨结构模式图的正向传递挑战。
如何实现个性化推荐？
个性化推荐通过结合异构图神经网络（HGNN）和大型语言模型（LLM）来实现，并在真实的工业音频流平台上进行了测试。
GFM的自我监督预训练任务包括哪些内容？
GFM的自我监督预训练任务包括9个知识类别和25个预训练任务，适用于各种下游任务。
GFM在零样本图学习中有什么应用？
GFM能够在不同下游数据集上完成零样本图学习任务，展现出对复杂拓扑模式的理解能力。
如何比较基础模型的性能？
提出了一种不需要度量的基于嵌入空间几何的方法来比较基础模型，并展示了该框架的应用。
