A Survey of Graph Meets Large Language Model: Progress and Future Directions

本文是LLM系列文章，针对《A Survey of Graph Meets Large Language Model: Progress and Future Directions》的翻译。

摘要

图在表示和分析引用网络、社交网络和生物数据等现实世界应用中的复杂关系方面发挥着重要作用。最近，在各个领域取得巨大成功的大型语言模型（LLM）也被用于与图相关的任务，以超越传统的基于图神经网络（GNN）的方法，并产生最先进的性能。在这项调查中，我们首先对现有的将LLM与图相结合的方法进行了全面的回顾和分析。首先，我们提出了一种新的分类法，根据LLM在图相关任务中所扮演的角色（即增强子、预测器和对齐组件），将现有方法组织为三类。然后，我们沿着分类学的三个类别，系统地考察了具有代表性的方法。最后，我们讨论了现有研究的剩余局限性，并强调了未来研究的有希望的途径。相关文件综述如下，并将持续更新：https://github.com/yhLeeee/Awesome-LLMs-in-Graph-tasks.

1 引言

2 前言

3 LLM作为增强器

4 LLM作为预测器

5 GNN-LLM对齐

6 未来方向

7 结论

LLM在图形相关任务中的应用已成为近年来的一个突出研究领域。在这项调查中，我们旨在深入概述将LLM应用于图的现有策略。首先，我们介绍了一种新的分类法，根据LLM所扮演的不同角色，将涉及图形和文本模式的技术分为三类，即增强器、预测器和对齐组件。其次，我们根据分类学对具有代表性的研究进行了系统的回顾。最后，我们讨论了一些局限性，并强调了未来的几个研究方向。通过这篇全面的综述，我们希望阐明LLM在图学习领域的进步和挑战，从而鼓励在这一领域进一步增强。