GraphTeam: Facilitating Large Language Model-based Graph Analysis via Multi-Agent Collaboration

要約

グラフは、ソーシャル ネットワークやアーバン コンピューティングなど、現実世界のシナリオでリレーショナル データをモデル化するために広く使用されています。
既存の LLM ベースのグラフ分析アプローチは、特定の機械学習タスクに対してグラフ ニューラル ネットワーク (GNN) を統合してその転送可能性を制限するか、LLM の内部推論能力のみに依存するため、最適なパフォーマンスが得られません。
これらの制限に対処するために、私たちは LLM ベースのエージェントの最近の進歩を利用しています。LLM ベースのエージェントは、問題解決に外部の知識やツールを利用する機能を示しています。
類推や協調などの人間の問題解決戦略をシミュレートすることにより、グラフ分析のための GraphTeam と呼ばれる LLM に基づくマルチエージェント システムを提案します。
GraphTeam は、3 つのモジュールからなる 5 つの LLM ベースのエージェントで構成されており、異なる専門分野を持つエージェントが相互に連携して複雑な問題に対処できます。
具体的には、(1) 入出力正規化モジュール: 質問エージェントは元の質問から 4 つの主要な引数を抽出して洗練し、問題の理解を容易にし、回答エージェントは出力要件を満たすように結果を整理します。
(2) 外部知識検索モジュール: まず、関連する文書と経験情報から構成される知識ベースを構築し、次に検索エージェントが各質問に対して最も関連性の高いエントリを取得します。
(3) 問題解決モジュール: 検索エージェントから取得した情報が与えられると、コーディング エージェントはプログラミングを通じて確立されたアルゴリズムを使用して解決策を生成します。コーディング エージェントが機能しない場合は、推論エージェントがプログラミングせずに結果を直接計算します。
6 つのグラフ分析ベンチマークに関する広範な実験により、GraphTeam が精度の点で最良のベースラインより平均 25.85% 向上し、最先端のパフォーマンスを達成していることが実証されました。
コードとデータは https://github.com/BUPT-GAMMA/GraphTeam で入手できます。

要約(オリジナル)

Graphs are widely used for modeling relational data in real-world scenarios, such as social networks and urban computing. Existing LLM-based graph analysis approaches either integrate graph neural networks (GNNs) for specific machine learning tasks, limiting their transferability, or rely solely on LLMs’ internal reasoning ability, resulting in suboptimal performance. To address these limitations, we take advantage of recent advances in LLM-based agents, which have shown capabilities of utilizing external knowledge or tools for problem solving. By simulating human problem-solving strategies such as analogy and collaboration, we propose a multi-agent system based on LLMs named GraphTeam, for graph analysis. GraphTeam consists of five LLM-based agents from three modules, and the agents with different specialities can collaborate with each other to address complex problems. Specifically, (1) input-output normalization module: the question agent extracts and refines four key arguments from the original question, facilitating the problem understanding, and the answer agent organizes the results to meet the output requirement; (2) external knowledge retrieval module: we first build a knowledge base consisting of relevant documentation and experience information, and then the search agent retrieves the most relevant entries for each question. (3) problem-solving module: given the retrieved information from search agent, the coding agent uses established algorithms via programming to generate solutions, and in case the coding agent does not work, the reasoning agent will directly compute the results without programming. Extensive experiments on six graph analysis benchmarks demonstrate that GraphTeam achieves state-of-the-art performance with an average 25.85% improvement over the best baseline in terms of accuracy. The code and data are available at https://github.com/BUPT-GAMMA/GraphTeam.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google