admin 管理员组

文章数量: 1184232

本文是LLM系列文章，针对《Large Language Models on Graphs: A Comprehensive Survey》的翻译。

图上的大型语言模型综述

  • 摘要
  • 1 引言
  • 2 定义和背景
  • 3 分类和框架
  • 4 纯图
  • 5 富含文本的图
  • 6 文本成对图
  • 7 应用
  • 8 未来方向
  • 9 结论

摘要

大型语言模型（LLM），如ChatGPT和LLaMA，由于其强大的文本编码/解码能力和新发现的涌现能力（如推理），正在自然语言处理方面取得重大进展。虽然LLM主要设计用于处理纯文本，但在许多现实世界场景中，文本数据以图形的形式（例如，学术网络和电子商务网络）与丰富的结构信息相关联，或者图形数据与丰富的文本信息配对的场景（例如，具有描述的分子）。此外，尽管LLM已经显示出其纯基于文本的推理能力，但这种能力是否可以推广到图场景（即基于图的推理）还没有得到充分的探索。在本文中，我们系统地回顾了与图上的大型语言模型相关的场景和技术。我们首先将在图上采用LLM的潜在场景总结为三类，即纯图、富含文本的图和文本配对图。然后，我们讨论了在图上使用LLM的详细技术，包括LLM作为预测器、LLM作为编码器和LLM作为对齐器，并比较了不同模型流派的优缺点。此外，我们还提到了这些方法在现实世界中的应用，并总结了开源代码和基准数据集。最后，我们总结了这一快速发展领域未来潜在的研究方向。相关来源可在https://github/PeterGriffinJin/Awesome-Language-Model-on-Graphs上找到。

1 引言

2 定义和背景

本文标签： Models Language Large Survey Comprehensive

版权声明：本文标题：Large Language Models on Graphs: A Comprehensive Survey 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1758717735a3089613.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。