Key points are not available for this paper at this time.
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
Building similarity graph...
Analyzing shared references across papers
Loading...
Mengmei Zhang
Mingwei Sun
Puying Wang
Peng Cheng Laboratory
Alibaba Group (China)
China Telecom (China)
Building similarity graph...
Analyzing shared references across papers
Loading...
Zhang 等人(周三)研究了该问题。
www.synapsesocial.com/papers/68e6b00ab6db643587631398 — DOI: https://doi.org/10.1145/3589334.3645682