行动胜于提示：面向图推理的大语言模型大规模研究
计算与语言
2026-03-03 v2
摘要
大语言模型（LLM）正日益用于文本丰富的图机器学习任务，例如欺诈检测和推荐系统等高影响力领域中的节点分类。然而，尽管关注度激增，该领域对 LLM 与图数据交互的能力仍缺乏系统的理解。在本研究中，我们沿着几个关键的可变性维度进行了大规模受控评估，以系统地评估基于 LLM 的图推理方法在文本应用中的优势与不足。这些维度包括：LLM 与图交互模式，比较了提示、工具使用和代码生成；数据集领域，涵盖引文、网络链接、电子商务和社交网络；结构机制，对比同配图与异配图；特征属性，涉及短文本和长文本节点属性；以及模型配置，包含不同 LLM 规模和推理能力。我们进一步通过系统性地截断特征、删除边和移除标签来量化对输入类型的依赖，从而分析其依赖关系。我们的发现提供了实用且具可操作性的指导。（1）LLM 作为代码生成器在图数据上取得了最强的整体性能，在长文本或高度数图（此时提示会迅速超出 token 预算）上增益尤为显著。（2）所有交互策略在异配图上仍然有效，挑战了基于 LLM 的方法在低同配性下会失效的假设。（3）代码生成能够灵活调整其对结构、特征或标签的依赖，以利用信息量最大的输入类型。综合来看，这些发现全面展示了当前 LLM 与图交互模式的优势和局限性，并为未来的方法突出了关键设计原则。
引用
@article{arxiv.2509.18487,
title = {Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference},
author = {Ben Finkelshtein and Silviu Cucerzan and Sujay Kumar Jauhar and Ryen White},
journal= {arXiv preprint arXiv:2509.18487},
year = {2026}
}