本文主要是介绍图神经网络和大模型相结合应用的最新综述，2024年最强开始，GNN和LLMs强强联合，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
题目：《Large Language Models on Graphs: A Comprehensive Survey》
According to the relationship between graph and text, we categorize three LLM on graph scenarios. Depending on the role of LLM, we summarize three LLM-on-graph techniques.“LLM as Predictor” is where LLMs are responsible for predicting the final answer. “LLM as Aligner” will align the inputs-output pairs with those of GNNs. “LLMasEncoder”refers to using LLMs to encode and obtain feature vectors.
在文章中，对于图大致分为三类：
纯图（pure graphs），即图中主要以图结构为主，像交通图等；
文本配对图（text-paired graphs），即文本描述和图成对存在的图，像蛋白质序列、基因序列等；
富文本图（text-rich graphs），即富有文本特征的图，这些文本以节点和边属性的形式存在。
针对以上图分类：
大模型和图结合的方式主要有三种：
1.大模型作为预测器：将图的embedding和text的embedding都输入llm进行预测，图embedding的方式可以经过gnn的产出，也可以用其他方式。
2.大模型作为校准器：图经过gnn，text经过llm，然后对两部分的输出进行对齐或者校准。
3.大模型作为编码器：将text经过llm的输出和图一起输入gnn，llm相当于text的编码器。
（持续更新）
这篇关于图神经网络和大模型相结合应用的最新综述，2024年最强开始，GNN和LLMs强强联合的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
