通过对大型语言模型在图形上的应用的详细技术和潜在场景进行系统回顾，我们总结了大型语言模型在纯图、文本丰富图和文本配对图中的优缺点，并讨论了其在真实世界应用中的方法以及开源代码和基准数据集。最后，我们提出了这一快速发展领域的潜在未来研究方向。

Dec, 2023

本文提出了一种名为 DynLLM 的新框架，利用大型语言模型解决动态图推荐任务，通过生成基于丰富文本特征的用户多维度画像，并利用时间图嵌入和精细化的关注机制来融合用户画像和动态图嵌入，以实现对持续时间动态图的无缝集成和改进，实验证实了 DynLLM 在电子商务领域的卓越性能。

May, 2024

通过整合大型语言模型与推荐系统的表示学习，我们提出了一个模型不可知的框架 RLMRec，旨在增强现有的推荐器，并提高其对于用户行为和偏好的语义理解，同时通过交叉视角对齐框架，将 LLM 的语义空间与协同关系信号的表示空间相对应。

Oct, 2023

通过使用 Item-Language Model（ILM） ，我们提出了一种解决当前推荐系统方法中所面临的关键问题的方法，该方法既可以对用户交互信号进行编码，也可以利用预训练的 Large-language Models（LLMs）处理这些编码。

Jun, 2024

大型语言模型与图神经网络相结合，应用于图数据关系挖掘任务，并设计了一个创新的框架，将图数据的关系信息与自然语言有效结合，从而提高大型语言模型对图数据连通性信息的理解能力。

Feb, 2024

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

本文概论了基于大型语言模型的推荐系统，提出了两种主要类型（分别为判别型 LLM 推荐 DLLM4Rec 和生成型 LLM 推荐 GLLM4Rec），分别从方法、技术和性能等方面对现有的 LLM 推荐系统进行了系统的分类和评估，并指出了主要挑战和有价值的发现。

May, 2023

通过使用充满协作语义的交互图，我们提出了一种名为 GAL-Rec 的方法，通过模仿图神经网络（GNNs）的意图来提高语言模型驱动的推荐模型对用户 - 物品协作语义的理解能力，从而充分利用大型语言模型的学习能力，独立解决推荐系统中的复杂图形，实验证明 GAL-Rec 显著增强了协作语义的理解能力，并提高了推荐性能。

Jun, 2024

本研究旨在揭示大型语言模型在理解行为图并利用这种理解增强在线招聘中的推荐能力，包括促进分布外应用程序，为此我们提出了一个新框架，该框架利用大型语言模型提供的丰富上下文信息和语义表示来分析行为图并揭示其中的潜在模式和关系，从而实现个性化和准确的工作推荐，并在全面的数据集上评估了我们的方法的有效性。

Jul, 2023

借助大型语言模型（LLMs）预训练的能力来提升推荐系统的性能，采用 LLMs 作为物品编码器，通过 LEARN 框架将开放世界知识与协同知识相结合，以解决冷启动和长尾用户推荐中的性能问题。

May, 2024