本研究提出图基础模型（GFMs），旨在解决图数据在预训练和迁移学习中的挑战，并展示其在多种图任务中的应用潜力，为未来研究提供方向。

本文介绍了一种通用的图基础模型（GFM），通过理解图数据中的复杂拓扑模式，实现零样本图学习。提出了“图词汇表”概念，以应对跨结构模式的挑战。研究了无监督图结构学习（GSL）和自我监督预训练任务，提出UniGraph框架，结合图神经网络和大型语言模型，提升模型在未见图上的泛化能力。实验结果表明，该模型在多种图学习任务中表现优异。

本文分析了基于自主学习的图神经网络模型的广义化和可扩展性，提出了图基础模型（GFM）及其关键特征，探讨了预训练框架和个性化推荐方法，强调了在不同任务中的性能提升和训练效率，并解决了跨结构模式图的挑战，推动了未来研究方向。

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。

本文介绍了图基础模型（GFM）的概念及其关键特征，探讨了基于图神经网络和大语言模型的研究现状与未来方向。提出了“图词汇表”视角，旨在解决跨结构模式图的挑战，并开发了线性时间图神经网络（LTGNN）和语言模型图神经网络（LM-GNN），以提升推荐系统和多项监督学习任务的性能。