ग्राफ़ के लिए बड़े भाषा मॉडल का सर्वेक्षण

ग्राफ़ वास्तविक दुनिया की परिस्थितियों में संबंधों का प्रतिनिधित्व करने के लिए उपयोग की जाने वाली एक आवश्यक डेटा संरचना हैं। पिछली शोध ने स्थापित किया है कि ग्राफ न्यूरल नेटवर्क्स (GNNs) लिंक भविष्यवाणी और नोड वर्गीकरण जैसे ग्राफ केंद्रित कार्यों में प्रभावशाली परिणाम प्रदान करते हैं। इन प्रगति के बावजूद, डेटा विरलता और सीमित सामान्यीकरण क्षमताओं जैसी चुनौतियाँ बनी रहती हैं। हाल ही में, बड़े भाषा मॉडल (LLMs) प्राकृतिक भाषा प्रसंस्करण में ध्यान आकर्षित कर रहे हैं। ये भाषा समझने और संक्षेपण में उत्कृष्ट हैं। LLMs का ग्राफ़ लर्निंग तकनीकों के साथ एकीकरण प्रदर्शन को बेहतर बनाने के रूप में रुचि प्राप्त कर रहा है। इस सर्वेक्षण में, हम ग्राफ़ लर्निंग में लागू नवीनतम अत्याधुनिक LLMs की गहन समीक्षा करते हैं और उनके फ्रेमवर्क डिजाइन के आधार पर मौजूदा विधियों को वर्गीकृत करने के लिए एक नया वर्गीकरण प्रस्तुत करते हैं। हम चार अनूठे डिज़ाइनों का विस्तार से वर्णन करते हैं: i) प्रीफिक्स के रूप में GNNs, ii) प्रीफिक्स के रूप में LLMs, iii) LLMs-ग्राफ़्स एकीकरण, और iv) केवल LLMs, प्रत्येक श्रेणी के भीतर प्रमुख कार्यप्रणालियों को उजागर करते हुए। हम प्रत्येक फ्रेमवर्क की ताकत और सीमाओं की जांच करते हैं, और भविष्य के अनुसंधान के संभावित मार्गों पर जोर देते हैं, जिसमें LLMs और ग्राफ़ लर्निंग तकनीकों के बीच वर्तमान एकीकरण चुनौतियों को पार करना और नए अनुप्रयोग क्षेत्रों में कदम बढ़ाना शामिल है। यह सर्वेक्षण उन शोधकर्ताओं और प्रैक्टिशनरों के लिए एक मूल्यवान संसाधन के रूप में कार्य करना चाहता है जो ग्राफ़ लर्निंग में बड़े भाषा मॉडलों का लाभ उठाना चाहते हैं, और इस गतिशील क्षेत्र में लगातार प्रगति को प्रोत्साहित करना चाहता है। हम संबंधित ओपन-सोर्स सामग्री को https: //github. com/HKUDS/Awesome-LLM4Graph-Papers पर नियमित रूप से बनाए रखते हैं।