“LLM4DyG: Can large language models solve problems on dynamicgraphs?,”

资源内容介绍

内容概要：本文首次提出并构建了一个名为LLM4DyG的基准，用于评估大语言模型（LLMs）在动态图上理解和处理时空信息的能力。该基准包含九个专门设计的任务，涵盖时间、空间以及时空交互维度，如时间链接、时序路径和动态三元闭包等。研究通过多种数据生成器、图统计特征、提示技术及不同LLMs进行广泛实验，发现LLMs具备初步的时空理解能力，但性能随图规模和密度增加而下降，且对时间跨度不敏感。为此，作者提出一种解耦时空思维（DST2）的提示方法，引导模型先处理时间再处理结构信息，显著提升了多数任务的表现。; 适合人群：从事人工智能、自然语言处理或图神经网络研究的研究人员，尤其是关注大语言模型在复杂结构数据上应用的学者和工程师。; 使用场景及目标：①评估大语言模型在动态图上的时空推理能力；②探索提示工程对复杂时空任务的影响；③为动态图学习与大模型结合提供实验基础与方法参考； 阅读建议：建议结合论文中的实验设置与结果分析，重点关注DST2提示方法的设计思路及其在不同任务中的表现差异，同时可复现部分实验以深入理解模型在动态图任务中的行为特性。