探索大型语言模型（LLMs）在图学习中的潜力

图学习由于其广泛的现实应用而受到极大关注。具有文本节点属性的图学习中，最受欢迎的流程主要依赖于图神经网络（GNNs），并使用浅层文本嵌入作为初始节点表示，这在一般知识和深层语义理解上存在局限性。近年来，大型语言模型（LLMs）被证明具有广泛的常识和强大的语义理解能力，已经彻底改变了现有的文本数据处理工作流程。在本文中，我们旨在探索LLMs在图机器学习中的潜力，特别是节点分类任务，并调查两种可能的流程：LLMs作为增强者和LLMs作为预测者。前者利用LLMs利用其庞大的知识增强节点的文本属性，然后通过GNN生成预测。后者尝试直接将LLMs作为独立的预测者。我们在各种设置下对这两种流程进行了全面和系统的研究。通过全面的实证结果，我们进行原始观察并发现新的见解，打开了新的可能性，并建议有前景的方向，以利用LLMs进行图学习。我们的代码和数据集可在此获得：https://github.com/CurryTang/Graph-LLM。