本文是LLM系列文章,针对《GraphEdit: Large Language Models for Graph Structure Learning》的翻译。
摘要
图结构学习(GSL)专注于通过生成新的图结构来捕获图结构数据中节点之间的内在依赖性和交互。图神经网络(GNN)已成为有前途的GSL解决方案,利用递归消息传递对节点间的相互依赖性进行编码。然而,许多现有的GSL方法在很大程度上依赖于显式图结构信息作为监督信号,这使得它们容易受到数据噪声和稀疏性等挑战的影响。在这项工作中,我们提出了GraphEdit,这是一种利用大型语言模型(LLM)来学习图结构数据中复杂节点关系的方法。通过对图结构进行指令调整来增强LLM的推理能力,我们旨在克服与显式图结构信息相关的限制,提高图结构学习的可靠性。我们的方法不仅有效地去噪了有噪声的连接,而且从全局的角度识别了节点依赖关系,提供了对图结构的全面理解。我们在多个基准数据集上进行了广泛的实验,以证明GraphEdit在各种设置中的有效性和稳健性。我们已在以下位置提供了我们的模型实现:https://github.com/HKUDS/GraphEdit.