本文提出了GOTHAM框架，旨在解决图数据分析中的节点分类问题，特别是在标签不足的情况下处理新类。该框架结合原型表示和知识蒸馏技术，有效应对少量或无标签的新类，实验结果表明其在多种任务中具有良好的适应性和有效性。

本文评估了大型语言模型（LLMs）在图数据分析中的能力，发现它们能够理解图数据并进行推理，但在复杂问题上表现有限。GPT模型在正确性和自信度上优于其他模型，但在多答案任务中常出现错误。研究提出了GraphEval2000数据集和评估框架，以提升LLMs的图推理能力，并探讨了改进策略。

本研究评估了大型语言模型在图数据分析中的表现，发现其在理解图结构和推理方面存在局限性。尽管GPT模型在生成逻辑结果上优于其他方法，但在多答案任务中常出现错误。研究探讨了将大型语言模型与图结构结合的潜力，特别是在节点分类任务中的应用，并总结了未来研究方向。

该研究评估了四个大型语言模型在图数据分析问题上的能力，结果显示它们能够有效地理解自然语言的图数据并进行图拓扑推理。其中，GPT模型在正确性方面优于其他替代方法，但在结构推理方面面临挑战，且在多答案任务中常常产生错误答案。

该研究评估了四个大型语言模型在图数据分析问题上的能力，结果显示它们能够有效地理解自然语言的图数据并进行图拓扑推理。其中，GPT模型在正确性方面优于其他替代方法，但在结构推理方面面临挑战，且在多答案任务中常常产生错误答案。