WWW 2024 | GraphTranslator: 将图模型对齐大语言模型

论文链接：https://arxiv.org/pdf/2402.07197.pdf代码链接：https://github.com/alibaba/GraphTranslator引言图模型（GM）如图神经网络（GNN），利用节点特征和图结构来学习表征并预测，在多种领域表现出色，但GM通常局限于预定义任务如节点分类，难以适应新的类别和任务。而大型语言模型（LLM）如ChatGPT，在处理开放式任务和理解自然语言指令方面显示了巨大潜力，推动了跨模态研究的发展。最近，将LLM应用于图的工作可分为两类，如下图(a)-1和(a)-2所示：（1）利用LLM以其海量知识增强节点的文本属性，然后通过GM生成预测；（2）或者是将节点以token或文本的形式，直接输入给LLM来作为独立的预测器。然而，这些方法无法同时解决处理预定义的任务和开放式任务。这就很自然地提出了一个问题：「我们能否在图学习领域建立一个既能解决预定义任务又能解决开放式任 ………………………………