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