大型语言模型时代的图机器学习
原文中文，约1500字，阅读约需4分钟。
📝
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，提出了将其分为增强器、预测器和对齐组件的新分类法。研究分析了LLMs在节点分类任务中的潜力，讨论了现有研究的局限性及未来方向，强调了LLMs与图神经网络结合的有效性，并提出了新的模型和方法，展示了LLMs在图生成和分析中的优势。
❓
Q&A
大型语言模型在图机器学习中的应用有哪些分类？
大型语言模型在图机器学习中的应用被分为增强器、预测器和对齐组件三类。
LLMs如何在节点分类任务中发挥作用？
LLMs在节点分类任务中可以作为增强器和预测器，通过不同的流程提高分类性能。
LLM-GNN模型的主要特点是什么？
LLM-GNN模型结合了大型语言模型和图神经网络，通过无标签节点分类提高了图神经网络的性能。
InstructGLM模型的创新之处在哪里？
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。
LLMs在图生成任务中的表现如何？
LLMs在图生成任务中展现了潜力，特别是在生成具有特定属性的分子方面。
图形语言模型（GLM）如何结合LM和GNN的优缺点？
图形语言模型（GLM）集成了线性文本模型和图神经网络的优点，同时减轻了它们的弱点，在关系分类任务上表现优于基线。
🏷️
