本文是LLM系列文章,针对《A Survey of Large Language Models on Generative Graph Analytics: Query, Learning, and Applications》的翻译。
生成图分析的大型语言模型综述:查询、学习和应用
摘要
图是一种基本的数据模型,用于表示社会和自然中的各种实体及其复杂关系,如社交网络、交通网络、金融网络和生物医学系统。最近,大型语言模型(LLM)展示了强大的泛化能力,可以处理各种NLP和多模态任务,以回答用户的任意问题和特定领域的内容生成。与图学习模型相比,LLM在解决泛化图任务的挑战方面具有优越的优势,因为它消除了训练图学习模型的需要,降低了手动注释的成本。在这项调查中,我们对现有的关于图形数据的LLM研究进行了全面的调查,总结了先进LLM模型解决的相关图形分析任务,并指出了现有的剩余挑战和未来的方向。具体来说,我们研究了基于LLM的生成图分析(LLM-GGA)的关键问题,分为三类:基于LLM图查询处理(LLM-GQP)、基于LLM图形推理和学习(LLM-GIL)以及基于图LLM的应用程序。LLMGQP侧重于图分析技术和LLM提示的集成,包括图理解和基于知识图谱(KG)的增强检索,而LLM-GIL侧重于对图的学习和推理,包括图学习、图形成推理和图表示。我们总结了LLM中包含的有用提示,以处理不同的图形下游任务。此外,我们总结了LLM模型评估、基准数据集/任务,并对LLM模型进行了深入的利弊分析。我们还探讨了LLM和图分析这一令人兴奋的跨学科研究领域的开放问题和未来方向。