本研究提出了动态修剪的消息传递网络(DPMPN)和混合图网络(HGN)模型，以提升知识图谱推理性能。这些模型通过图形式的注意力机制和统一图结构，有效解决了边缘稀疏和嘈杂问题，并在多个基准测试中表现优异。此外，研究探讨了大型语言模型在图形推理中的应用，提出的新提示技术PathCompare显著提高了推理性能。

本文探讨了通过图形推理增强大型语言模型（LLMs）的能力，提出了Graph-ToolFormer和KG-Agent等框架，以提高其在复杂图形学习任务中的表现。研究表明，结合图结构与LLMs能显著提升推理准确率，并提出了改进LLMs图推理可推广性的策略。实验结果显示，现有模型在图结构理解上存在缺陷，需进一步优化。

本文探讨了通过图形推理增强大型语言模型（LLMs）的能力，提出了Graph-ToolFormer框架，并进行了实验验证。研究表明，结合图结构显著提升了LLMs在复杂任务中的表现。通过NLGift基准测试，分析了LLMs在图推理中的推广能力，发现其在真实世界任务中的表现仍需改进。最后，提出了CodeGraph方法，进一步提升了LLMs在图推理任务中的性能。

本文探讨了通过图形推理增强大型语言模型（LLMs）的能力，提出了Graph-ToolFormer框架，并在多个图形推理任务上进行实验。研究表明，LLMs在图数据分析中表现良好，但在结构推理和多答案任务中存在挑战。结合图学习模型的GraphLLM显著提高了推理准确率。此外，提出了NLGift基准测试，以评估LLMs在真实世界图任务中的推广能力，发现后训练对齐是提升推理能力的有效策略。

本研究探讨了大型语言模型在从非结构化PDF文本中提取程序的能力，提出了GraphEval2000数据集和评估框架，评估其在图形推理中的表现。结果显示，LLM在理解有向图方面优于无向图，并提出了Structured Symbolic Decomposition方法以提升性能。尽管LLM在知识图谱生成上存在局限，但其在图数据分析中表现出色，未来需加强其图形处理能力。