KDD 2024｜港大黄超团队深度解析大模型在图机器学习领域的「未知边界」
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。
❓
Q&A
大型语言模型与图学习结合的研究热点是什么？
将大型语言模型与图学习技术相融合，以提升图学习任务的效能，已成为研究热点。
文章中提到的四种模型架构设计类型是什么？
四种模型架构设计类型包括：GNNs作为前缀、LLMs作为前缀、LLMs与图集成、仅使用LLMs。
图神经网络在图学习中的作用是什么？
图神经网络通过聚合邻近节点的信息来更新节点的嵌入表示，提升图结构数据的解析能力。
未来的研究方向有哪些？
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。
如何提升LLMs在图处理任务中的能力？
通过将LLMs与图数据深入整合，优化GNNs的参数学习，可以提升LLMs在图处理任务中的能力。
文章中提到的GNNs作为前缀的方法有什么优势？
GNNs作为前缀的方法显著提升了LLMs对图结构数据的解析能力，为多种下游任务带来益处。
🏷️
