伪代码注入魔法：启用LLM处理图计算任务

图计算任务本质上具有挑战性，往往需要发展高级算法才能有效解决。随着大型语言模型（LLM）的出现，研究人员开始探索其处理这些任务的潜力。然而，现有方法受限于LLM理解复杂图结构的能力以及高推理成本，难以处理大规模图。鼓励人类解决图问题的思路，我们提出一种新框架PIE（Pseudocode-Injection-Enhanced LLM Reasoning for Graph Computational Tasks），包含三个关键步骤：问题理解、提示设计和代码生成。在此框架下，LLM负责理解问题并提取相关信息以生成正确代码。图结构分析和代码执行的职责交由解释器负责。我们将与任务相关的伪代码注入提示，以进一步协助LLM生成高效代码。我们还采用成本效益高的试错技术确保LLM生成的代码能够正确执行。与其他需要针对每个测试案例调用LLM的方法不同，PIE仅在代码生成阶段调用LLM，允许重复使用生成的代码并显著降低推理成本。广泛的实验表明，PIE在准确率和计算效率方面均优于现有基线。