LLM 理解图数据所需：图参数表示的调查
人工智能
2025-02-19 v2 机器学习
社会与信息网络
摘要
图作为一种关系数据结构，广泛用于分子设计、推荐系统等各种应用场景。最近，大型语言模型（LLM）正重新成为 AI 社区的焦点，因其预期的推理与推断能力。使 LLM 理解基于图的关系数据具有巨大潜力，包括但不限于 (1) 为消除幻觉并突破 LLM 推断期间检索增强生成过程的上下文窗口限制提供外部知识库；(2) 将图数据作为输入，直接解决如蛋白质设计和药物发现等基于图的研究任务。然而，将整个图数据输入 LLM 是不可行的，由于其复杂的拓扑结构、数据规模以及缺乏有效且高效的语义图表示。一个自然问题浮现：是否存在一种图表示可以被自然语言描述，以便 LLM 理解，同时也可作为 LLM 的原始输入？基于统计计算，图规律预先定义了一组参数（如度、时间、直径），通过观察大量真实图数据的拓扑分布来识别其关系与值。我们认为，这种图的参数表示——图规律——是解决 LLM 理解图数据输入问题的方案。本文首先从多个视角回顾图规律的研究，包括图的宏观与微观、低阶与高阶图、静态与动态图、不同观察空间以及新提出的图参数。随后我们回顾了受图规律指导获益的各种实际应用，最后我们结论性地讨论了当前挑战与未来研究方向。
引用
@article{arxiv.2410.12126,
title = {What Do LLMs Need to Understand Graphs: A Survey of Parametric Representation of Graphs},
author = {Dongqi Fu and Liri Fang and Zihao Li and Hanghang Tong and Vetle I. Torvik and Jingrui He},
journal= {arXiv preprint arXiv:2410.12126},
year = {2025}
}
备注
Preprint, 9 pages