Talk like a graph: Encoding graphs for large language models

GraphQA 聚焦于与图相关的简单任务，例如检查某条边是否存在、计算节点或边的数量、查找与特定节点相连的节点，以及检查图中是否存在环。这些任务看似基础，但需要理解节点与边之间的关系。通过涵盖从识别模式到创建新连接等不同类型的挑战，GraphQA 帮助模型学习如何有效地分析图。这些基础任务对于图上更复杂的推理至关重要，例如寻找节点之间的最短路径、检测社区或识别有影响力的节点。此外，GraphQA 还包括使用各种算法生成随机图，如 Erdős-Rényi、无标度网络、Barabasi-Albert 模型 和 随机块模型，以及更简单的图结构，如路径图、完全图和星形图，从而为训练提供多样化的数据集。

在处理图时，我们还需要找到让 LLM 能够理解的、提出图相关问题的方式。提示词启发式方法 是实现这一目标的不同策略。下面我们来拆解常见的几种：

- 零样本 ：只需描述任务（“这个图中是否存在环？”）并让 LLM 自行处理。不提供任何示例。 - 少样本 ：这就像在正式测试前给 LLM 做一个小型练习测试。我们提供几个示例图问题及其正确答案。 - 思维链 ：在这里，我们通过示例向 LLM 展示如何逐步分解问题。目标是教会它在面对新图时生成自己的“思考过程”。 - 零样本思维链 ：与思维链类似，但我们不给训练示例，而是给 LLM 一个简单的提示词，比如“让我们一步一步地思考”，以触发它自己的问题解决分解。 - BAG（构建图） ：这专门针对图任务。我们在描述中添加“让我们构建一个图……”这句话，帮助 LLM 聚焦于图结构。

我们探索了将图转换为 LLM 可以处理的文本的不同方式。我们的关键问题是：

- 节点编码 ：我们如何表示单个节点？测试的选项包括简单的 整数 、常见名称（人物、角色）和字母。 - 边编码 ：我们如何描述节点之间的关系？方法包括括号表示法、像“是朋友”这样的短语，以及像箭头这样的符号表示。

各种节点和边编码被系统地组合在一起。这产生了如下图所示的功能：

请输出本段的中文译文：