图神经网络与语言模型相遇：用于具有归属属性的文档转化为演示文稿

May, 2024

图神经网络与语言模型相遇：用于具有归属属性的文档转化为演示文稿

Presentations are not always linear! GNN meets LLM for Document-to-Presentation Transformation with Attribution

Himanshu Maheshwari, Sambaran Bandyopadhyay, Aparna Garimella, Anandhavelu Natarajan

TL;DR自动从长文档的文本中生成演示文稿是一个具有挑战性和有用的问题。我们提出了一种基于图神经网络和语言模型组合的方法，通过学习输入文档的图形并为每张幻灯片分配内容，生成具备更好的非线性叙述性的演示文稿，并与直接使用语言模型的方法进行了实验证明我们方法的优点。

Abstract

Automatically generating a presentation from the text of a long document is a challenging and useful problem. In contrast to a flat summary, a presentation needs to have a better and non-linear narrative, i.e., the content of a slide can come from different and non-contiguous parts of

presentation generation non-linear narrative graph neural network attribution of content hallucination

发现论文，激发创造

通过多阶段端到端方法增强 LLMs 的演示文稿生成

提出了一种多阶段的端到端模型，结合了 LLM 和 VLM，用于从文档中生成演示幻灯片，相比于现有的方法具有更好的自动指标和人类评估。

Jun, 2024

利用大型语言模型强化文本属性图学习

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

探索大型语言模型在图学习中的潜力

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

DOC2PPT: 科学文献自动生成演示文稿

文档导出幻灯片是一项困难的多模态推理任务，我们提出了一种新颖的基于层次序列 - 序列算法的方法，在文档摘要、图像和文本检索、幻灯片结构和布局预测等方面具有较高的性能。

Jan, 2021

我们能否将软提示应用于图学习任务的 LLM？

通过 GraphPrompter 框架，将 Large Language Models（LLMs）与图形模态对齐，实现了 LLMs 在图相关任务中的重要性和效果。

Feb, 2024

大型语言模型时代的图机器学习

在 LLMs 时代，通过综述文章，我们首先回顾了图机器学习的最新发展，然后探讨了 LLMs 如何提高图特征的质量，减少对标记数据的依赖，并解决图的异质性和分布外泛化等挑战。此外，我们研究了图如何增强 LLMs，并突出它们在 LLMs 的预训练和推理中的能力。最后，我们探讨了这个有前景的领域的各种应用和潜在的未来方向。

Apr, 2024

图结合大型语言模型的综述：现状与未来方向

在本调查中，我们首先提出了一种新的分类法，该分类法将现有方法根据 LLMs 在图相关任务中所扮演的角色（增强器、预测器和对齐组件）分为三类，并对这三类中的代表性方法进行了系统调查。我们还讨论了现有研究的局限性，并强调了未来研究的有希望的方向。

Nov, 2023

将解释作为特征：基于 LLM 的文本属性图特征

该论文的主要研究方向是在图神经网络中利用自然语言处理模型来提高文本理解能力，并将其作为图结构的特征以提高下游任务的性能。通过在多个数据集上的实验证明，采用该方法在一定程度上提升了图神经网络模型的表现。

May, 2023

自然语言就是图的应有之义

我们提出了 InstructGLM（指导调整的图语言模型），基于自然语言说明系统地设计高度可扩展的提示，使用自然语言描述图的几何结构和节点特征，通过指导调优语言模型以一种生成方式在图上执行学习和推理，超过了所有竞争的 GNN 基准数据集，证明了我们方法的有效性，并为将生成语言模型替代 GNN 作为图机器学习的基础模型提供了启示。

Aug, 2023

使用超图表示的合成文本生成

使用基于超图的方法生成语义框架，通过变换框架内容生成多样、连贯、风格、情感、格式、结构和事实都有变化的文档。

Sep, 2023