图对齐大语言模型

零样本大幅提升

通过自监督文本匹配任务与下游任务模板对齐，消除了预训练到微调的负迁移，使通用大语言模型在图任务上获得稳健的零样本能力。

Haitong, Luo · 孟绪颖 · Wang, Suhang · Zhao, Tianxiang · Fali, Wang · 张玉军

Neural Networks 2026

技术优势

消除负迁移

自监督任务模板与下游任务模板对齐，使自监督学到的通用图知识能正向迁移到下游任务。

零样本大幅提升

由于模板对齐，模型在未见过的图任务上表现出更强的泛化，无需额外微调即可取得显著效果。

多数据集通用

对齐的指令模板让模型捕捉跨数据集的共性，在多个数据集上表现出稳健的多数据集泛化能力。

应用场景

• 图神经网络：可将LLM作为图编码器，替代传统GNN处理图结构数据。
• 知识图谱：适用于知识图谱上的推理和问答，直接利用LLM的文本理解能力。
• 推荐系统：可处理用户-物品交互图，用对齐的LLM提升推荐准确率。