我们提出了UniGraph框架，通过使用文本属性图（TAGs）来训练图基础模型，实现对未见过的图和任务在不同领域中的泛化能力。我们的方法采用了级联的语言模型（LMs）和图神经网络（GNNs）构建的骨干网络以及基于掩码图建模（MGM）的自我监督训练目标，并引入大型语言模型（LLMs）进行图指令调优，进而使模型能够进行零样本预测。在各种图学习任务和领域的全面实验证明了我们模型在未见过的图的自我监督表示学习、少样本上下文转移和零样本转移方面的有效性，甚至超越或匹配了在目标数据集上进行受监督训练的GNNs的性能。

Feb, 2024

通过使用大型语言模型来学习图结构数据中的复杂节点关系，GraphEdit方法无论在去噪连接还是从全局角度识别节点依赖方面都提供了全面的图结构理解，有效克服了显式图结构信息的局限性，增强了图结构学习的可靠性。

Feb, 2024

HiGPT是一个通用的大规模图模型，通过异构图指导调优范式，能够从任意异构图中学习，无需对下游数据集进行任何微调过程，实现模型的适应性和泛化性能。

Feb, 2024

提出了一种新颖的框架 MuseGraph，它无缝地整合了 GNN 和 LLM 的优势，通过自适应输入生成和多样化的指令生成机制，以及针对不同任务和数据集的图感知指令调优，提高了图任务的准确性，并保持了 LLM 的生成能力。

Mar, 2024

针对文本丰富的图表，我们引入了一种新方法——图感知参数高效微调（GPEFT），通过利用图神经网络（GNN）编码邻居节点的结构信息生成图提示，插入到文本序列的开头，从而实现了高效的图表示学习。通过在8个不同的文本丰富的图表上进行全面实验证明了该方法的有效性和高效性，在链接预测评估中平均提升了2%的hit@1和平均倒数排名（MRR），同时表明可以与多种大型语言模型无缝集成，包括OPT、LLaMA和Falcon。

Apr, 2024

该论文研究了将图模态集成到大型语言模型中，以提升其在图解指令任务中的性能表现，并通过图嵌入训练模型，使其能够理解和基于图表示生成回答。该方法在性能上显著优于图文方法，并且对于较大的图结构保持一致。

May, 2024

本研究提出了LinkGPT，首个用于链接预测任务的端到端训练的大型语言模型 (LLM)，通过有效整合结构信息和解决效率问题，在真实世界的图和零样本学习中取得了领先水平的性能。

Jun, 2024

本研究针对大型语言模型在图相关任务中的应用，填补了现有研究的空白。我们提出了一种新的数据集，包含79个图任务，并发现JSON格式在图表示上对语言模型的理解效果最佳。这一发现为如何有效使用大型语言模型处理复杂图结构提供了实证依据，具有重要的应用潜力。

Aug, 2024

本研究解决了大型语言模型在处理图形任务时无法捕捉复杂结构信息的挑战。提出了一种新颖的节点标记器NT-LLM，通过选择关键节点并基于相对距离进行编码，能够有效捕捉图形拓扑信息，显著提高模型的推理能力和性能。这一方法具有更好的实用性和应用潜力。

Oct, 2024

本研究解决了大型语言模型在图结构数据处理中的自监督任务与监督下游任务之间的不对齐问题。提出了图对齐大型语言模型（GALLM），通过引入与下游任务对齐的模板和新颖的文本匹配任务，显著提升了模型在监督学习和零-shot 能力方面的表现，为图基础模型的发展提供了新的路线。

Oct, 2024