GraphTranslator：将图模型与大型语言模型对齐以处理开放式任务

大型语言模型（LLMs）如 ChatGPT，表现出强大的零样本和指令跟随能力，推动了各领域的革命性变革，尤其是在开放式任务方面。尽管在图领域这一思路探索较少，但尽管存在众多强大的图模型（GMs），它们仍局限于预定义形式的任务。虽然已有多种方法尝试将LLMs应用于图，但它们未能同时处理预定义和开放式任务，即作为节点特征增强器或独立预测器的LLM。为打破这一困境，我们提出通过一款名为GraphTranslator的转换器连接预训练图模型与LLM，旨在有效利用GM处理预定义任务，并通过LLM的扩展接口为GM提供多样的开放式任务。为训练该转换器，我们设计了一种生产者，可构建包含节点信息、邻居信息及模型信息的图文对齐数据。通过将节点表示转换为标记，GraphTranslator使LLM能够基于语言指令进行预测，统一视角覆盖预定义及开放式任务。大量实验结果证明了GraphTranslator在零样本节点分类中的有效性。图问答实验展示了GraphTranslator通过语言指令在广泛开放式任务中的潜力。我们的代码地址：https://github.com/alibaba/GraphTranslator