划重点:
⭐ 谷歌团队发现一种方法，将图转换为文本，显著提高LLMs在图形问题上的准确性。
⭐ 使用GraphQA基准测试评估LLMs在特定于图形问题的能力，为其提供了适应图形任务的能力。
⭐ 通过研究图形结构、编码方式和任务类型等因素，探索了提升LLMs在图形问题上性能的途径。
站长之家(ChinaZ.com) 3月27日 消息:近日，谷歌在ICLR2024上推出了一项重大成果:他们成功让大型语言模型（LLMs）学会理解「图的语言」，性能提升了高达60%。这项研究解决了LLMs在处理图形问题上的瓶颈，开启了图形数据与文本表示之间的新篇章。
图形结构作为信息组织的一种重要方式，在计算机科学领域中无处不在。然而，由于LLMs主要在常规文本上训练，缺乏对图形结构的理解，这使得将图形转换为LLMs可理解的文本成为一项复杂的任务。谷歌团队通过设计GraphQA基准测试，旨在评估LLMs针对特定图形问题的能力，并创造了一种让LLMs能够解决图形相关问题的方式，从而显著提高了LLMs在图形任务上的表现。
研究团队采用了多种方法将图形编码为文本，并将文本与问题反馈给LLMs进行处理。通过调查节点编码和边缘编码等关键问题，他们成功地改善了LLMs在图形问题上的性能。实验结果显示，选择合适的编码方式对LLMs的准确度有显著影响，而在图形推理任务中，规模更大的模型表现更好，但对于某些特定任务，模型规模并不是唯一的关键因素。
此外，研究团队还发现图的结构对LLMs的性能有着重要影响。在不同的图形任务中，LLMs的表现受到图形结构的影响，而提供一些混合样本可以帮助LLMs适应不同类型的图形结构，从而提高性能。
这项研究为解决LLMs在图形问题上的挑战提供了新的思路和方法。通过合理地将图形数据转换为文本表示，并结合适当的编码方式和任务类型，谷歌团队成功提升了LLMs在图形任务上的性能，为未来更深入的研究和应用打下了基础。
论文地址:https://openreview.net/pdf?id=IuXR1CCrSi