💡
原文中文，约6500字，阅读约需16分钟。
📝
内容提要
这篇综述介绍了大型语言模型（LLMs）与图学习的结合，分析了四种不同的模型架构设计类型，并讨论了未来研究方向。该综述为研究人员提供了参考资源，推动LLMs与图数据结合应用的技术创新和突破。
🎯
关键要点
- 综述介绍了大型语言模型（LLMs）与图学习的结合，分析了四种模型架构设计类型。
- 香港大学数据智能实验室的研究团队致力于人工智能和数据挖掘的相关研究。
- 图作为基础数据结构在现实世界中描绘各种关系，其重要性日益凸显。
- 将大型语言模型与图学习技术相融合已成为研究热点，以提升图学习任务的效能。
- 综述分析了图学习领域的关键技术挑战，并展望了未来大模型技术的潜力。
- 提出了一种全新的分类方法，依据框架设计对现有技术进行了系统分类。
- 四种算法设计思路包括：GNNs作为前缀、LLMs作为前缀、LLMs与图集成、仅使用LLMs。
- GNNs作为前缀的方法提升了LLMs对图结构数据的解析能力。
- LLMs作为前缀的方法利用LLMs生成的信息优化GNNs的训练过程。
- LLMs与图集成的方法提升了LLMs在图处理任务中的能力，并优化了GNNs的参数学习。
- LLMs-Only的方法直接将LLMs应用于图导向任务，分为无需微调和需要微调的方法。
- 未来研究方向包括多模态图与LLMs的融合、提升效率与降低计算成本、应对多样化的图任务、构建用户友好的图智能体。
- 综述旨在为研究人员提供参考资源，推动LLMs与图数据结合应用的技术创新和突破。
➡️
