A Survey of Graph Meets Large Language Model: Progress and Future Directions

要約

グラフは、引用ネットワーク、ソーシャル ネットワーク、生物学的データなど、現実世界のアプリケーションにおける複雑な関係を表現および分析する際に重要な役割を果たします。
最近、さまざまな分野で多大な成功を収めているラージ言語モデル (LLM) がグラフ関連のタスクでも活用され、従来のグラフ ニューラル ネットワーク (GNN) ベースの手法を超え、最先端のパフォーマンスを実現しています。
この調査では、まず、LLM とグラフを統合する既存の手法の包括的なレビューと分析を示します。
まず最初に、グラフ関連のタスクにおいて LLM が果たす役割 (つまり、エンハンサー、プレディクター、アライメントコンポーネント) に基づいて既存の手法を 3 つのカテゴリに整理する新しい分類法を提案します。
次に、分類学の 3 つのカテゴリに沿って代表的な手法を系統的に調査します。
最後に、既存の研究に残された限界について議論し、将来の研究に向けた有望な道筋を強調します。
関連する論文は要約されており、https://github.com/yhLeeee/Awesome-LLMs-in-Graph-tasks で継続的に更新されます。

要約(オリジナル)

Graph plays a significant role in representing and analyzing complex relationships in real-world applications such as citation networks, social networks, and biological data. Recently, Large Language Models (LLMs), which have achieved tremendous success in various domains, have also been leveraged in graph-related tasks to surpass traditional Graph Neural Networks (GNNs) based methods and yield state-of-the-art performance. In this survey, we first present a comprehensive review and analysis of existing methods that integrate LLMs with graphs. First of all, we propose a new taxonomy, which organizes existing methods into three categories based on the role (i.e., enhancer, predictor, and alignment component) played by LLMs in graph-related tasks. Then we systematically survey the representative methods along the three categories of the taxonomy. Finally, we discuss the remaining limitations of existing studies and highlight promising avenues for future research. The relevant papers are summarized and will be consistently updated at: https://github.com/yhLeeee/Awesome-LLMs-in-Graph-tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google