BriefGPT - AI 论文速递
·
DynLLM: 大规模语言模型遇上动态图推荐
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文通过提出评估大型语言模型在动态图中的时空理解能力的基准，系统地评估了LLMs在动态图中的时空信息理解能力，并提出了一种名为DST2的方法来增强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其性能。
🎯
关键要点
- 提出评估大型语言模型在动态图中的时空理解能力的基准 LLM4DyG。
- 系统评估 LLMs 在动态图中的时空信息理解能力。
- 分析不同的数据生成器、数据统计、提示技术和 LLMs 对模型性能的影响。
- 提出名为 Disentangled Spatial-Temporal Thoughts (DST2) 的方法以增强 LLMs 的时空理解能力。
- LLMs 在动态图中具有初步的时空理解能力。
- 动态图任务对 LLMs 的难度随着图大小和密度的增加而增加，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。
➡️
