本文探讨了大型语言模型（LLMs）在图机器学习中的应用，提出了增强器、预测器和对齐组件的新分类法。研究表明，LLMs能够提高图特征质量，减少对标记数据的依赖，并在图生成和分析中展现潜力。尽管在结构推理和多答案任务上存在挑战，LLMs在图数据处理方面仍具有优势，为未来研究提供了新方向。

本研究使用图神经网络（GNN）预测伦敦某天的天气和星期几，数据集为桑坦德自行车共享系统。模型基于土地利用特征、自行车站周围家庭数量和城市温度等图特征，通过引入训练节点嵌入的图特征拼接运算符和以地理相邻性为基础的图粗化运算符「空间图粗化」，在交叉熵损失和验证数据集准确率上优于基准模型。