本文旨在探索使用大型语言模型（LLMs）进行图机器学习的潜力，特别是节点分类任务，并调查两种潜在的流程：LLMs作为增强器和LLMs作为预测器。通过全面而系统的研究，我们获得了原创性观察并发现新的见解，为利用LLMs进行图学习提供了新的可能性和有希望的方向。

Jul, 2023

该研究探讨了大型语言模型（LLMs）在结构化数据（尤其是图形）上的应用，旨在理解何时以及为何将图形数据中固有的结构信息纳入到LLMs的节点分类任务中可以提高预测性能。

Sep, 2023

该文介绍了一种利用大型语言模型和图神经网络相结合的无标签节点分类方法LLM-GNN，在小部分节点上利用语言模型进行注释，然后使用图神经网络对其余大部分节点进行预测，通过开发注释质量启发式和利用语言模型的置信度得分来选择节点，从而提高图神经网络的性能，实验证明了LLM-GNN的有效性。

Oct, 2023

在该研究中，我们通过对大型语言模型在图预测任务的性能进行实验，评估它们是否能有效处理图数据并利用拓扑结构提高性能；通过与专门的图神经网络进行比较，我们对大型语言模型在图分析中的优势和局限性提供了见解，并为将它们应用于图分析提供了进一步的探索方向。

Oct, 2023

通过采用轻量级范式ENG以Large Language Models为基础，增强文本属性的图数据，包括通过节点生成使用LLMs提取语义信息和生成样本，以及通过边缘预测器将新生成的样本与原始图结合，从而在少样本情况下促进节点分类任务。

Oct, 2023

使用基于相似性的邻居选择 (SNS) 方法，通过对语言学习模型 (LLMs) 进行简单提示交互，SNS 在节点分类中展现了优越的性能，并且在图结构理解方面显示出 LLMs 的潜力。

Feb, 2024

通过综述最新的最先进的用于图学习的大型语言模型，我们引入了一种新的分类方法，详细阐述了四种独特的设计，并探讨了每种框架的优势和局限性，同时强调了未来研究的潜在方向。

May, 2024

该论文介绍了一种新的框架LangTopo，通过构建代码簿量化了GNN和LLM的图结构建模能力，并通过一致性最大化的过程将LLM的文本描述与GNN的拓扑建模对齐，使LLM能够学习捕捉图结构的能力，从而能够独立处理图结构化数据。通过在多个数据集上展示我们提出的方法的有效性。

Jun, 2024

本研究解决了传统图神经网络在处理异质图时的局限性，因其过度依赖同质性假设。作者提出了一种新颖的两阶段框架，通过增强边缘鉴别和引导边缘重加权，利用大语言模型来更有效地解读异质图中的文本数据。实验结果表明，该方法能显著提升节点分类的效果，具有重要的实际应用潜力。

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