通过大语言模型引导异构图表示学习：一种通用方法

图表示学习方法在捕捉图结构中复杂关系和特征方面效果显著，但在处理包含多种类型节点和边的异构图时面临挑战，因为数据来源多样且复杂。现有异构图神经网络（HGNN）虽已取得良好成果，但需要节点、边类型先验知识以及统一的节点特征格式，限制了其适用性。近期利用大语言模型（LLM）的图表示学习方法通过整合LLM的数据处理能力，实现了各种图表示的对齐，但常忽视异构图数据且需大量预处理。为此，本文提出一种新方法，融合LLM与GNN的优势，能够在无需类型信息或特殊预处理的情况下处理任意格式和类型的图数据。该方法运用LLM自动总结和分类不同数据格式和类型，实现节点特征对齐，并使用专用GNN进行针对性学习，从而获得下游任务的有效图表示。理论分析和实验验证表明，我们的方法有效性卓著。