大型语言模型是否是优秀的时序图学习者？
计算与语言
2025-06-09 v1 机器学习
摘要
大型语言模型（LLM）最近在自然语言处理及其他各类应用领域推动了显著进展。虽然广泛的文献探讨了 LLM 的图推理能力，包括其在图上使用预测器，但将 LLM 应用于动态图——即真实世界演化中的网络——仍相对未被探索。近期研究 studying 合成时序图（由随机图模型生成），但将 LLM 应用于真实世界时序图仍是开放问题。为填补这一差距，我们引入 Temporal Graph Talker（TGTalker），一个专为 LLM 设计的时序图学习框架。TGTalker 利用时序图中的时效性偏见，提取相关结构信息并转换为自然语言供 LLM 处理，同时利用时序邻居作为预测的额外信息。TGTalker 在链接预测任务上展现出与现有时序图神经网络（TGNN）模型相似的性能。跨越五个真实网络，TGTalker 在与最新时序图方法的竞争中表现出竞争力，持续超越诸如 TGN 和 HTGN 等流行模型。此外，TGTalker 为每一次预测生成文本解释，因而开启了时序链接预测可解释性和可解释性的激动人心的新方向。代码已公开于 https://github.com/shenyangHuang/TGTalker。
引用
@article{arxiv.2506.05393,
title = {Are Large Language Models Good Temporal Graph Learners?},
author = {Shenyang Huang and Ali Parviz and Emma Kondrup and Zachary Yang and Zifeng Ding and Michael Bronstein and Reihaneh Rabbany and Guillaume Rabusseau},
journal= {arXiv preprint arXiv:2506.05393},
year = {2025}
}
备注
9 pages, 9 tables, 4 figures