GCoT: 图的链式思维提示学习

链式思维（CoT）提示在自然语言处理（NLP）中取得了显著成功。然而，其巨大潜力在图中尚未被充分探索。这提出了一个有趣的问题：如何为图设计CoT提示来引导图模型逐步学习？一方面，与自然语言不同，图是非线性的，具有复杂的拓扑结构。另一方面，许多图缺乏文本数据，使得基于语言的CoT提示难以构建。在这项工作中，我们提出了首个面向无文本图的CoT提示学习框架GCoT。具体而言，我们将每个下游任务的适配过程分解为一系列推理步骤，每个步骤包括基于提示的推理、「思维」生成和思维条件提示学习。虽然这些步骤模仿了NLP中的CoT提示，但具体机制存在显著差异。具体而言，在每个步骤中，输入图和提示首先被输入到预训练的图编码器中，进行基于提示的推理。然后，我们聚合编码器的隐藏层来构建一个「思维」，用于捕捉当前步骤中每个节点的工作状态。基于该思维，我们根据当前状态为每个节点学习特定的提示。这些提示被输入到下一步推理中，重复该循环。为了评估和分析GCoT的有效性，我们在八个公开数据集上进行了全面的实验，证明了我们方法的优势。