A Survey of Large Language Models on Generative Graph Analytics: Query, Learning, and Applications

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。

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。

1 引言

2 前言

3 图结构理解任务

4 图学习任务

5 图形推理

6 图表示