GraphInsight：解锁LLMs理解图结构的新框架

尽管大型语言模型（LLMs）在处理图方面展现出了潜力，但它们通过图描述序列的提示来理解图形结构信息时仍面临困难，尤其是在图的规模增大时。我们将这一挑战归因于LLMs在图描述序列中不同位置的记忆表现不均，这被称为“位置偏差”。为了解决这个问题，我们提出了GraphInsight，这是一种旨在提高LLMs对宏观和微观层面图形信息理解的新框架。GraphInsight基于两个关键策略：1) 将关键的图形信息放置在LLMs记忆表现较强的位置；2) 对于记忆表现较弱的区域，研究一种轻量级的外部知识库，这一灵感来自于检索增强生成（RAG）。此外，GraphInsight探索了将这两种策略整合进LLM代理过程中，以应对需要多步推理的复合图任务。广泛的实证研究表明，在涵盖多种评估任务的基准测试上，GraphInsight在理解不同大小的图结构方面显著优于所有其他图描述方法（如提示技术与重新排序策略）。

点关注不迷路

研究背景

1. 研究问题

如何提高大型语言模型（LLMs）在理解图结构信息方面的能力，特别是在图描述序列中。现有的方法在处理大规模图时存在“理解崩溃”的问题，即随着图规模的增加，LLMs的理解能力急剧下降。

2. 研究内容

分析LLMs在理解图结构任务中的固有性质和现有方法的不足，提出一种新的框架GraphInsight来增强LLMs对图结构的理解能力。

3. 研究难点

研究难点包括：

1. 图结构信息主要通过自然语言描述传递，描述长度随图规模增加而变长，挑战了LLMs的长序列理解能力；
2. LLMs在不同序列位置的记忆性能不均匀，存在“位置偏差”现象，影响了其对关键节点或边的记忆。

4. 相关工作

现有的研究主要集中在将图转换为文本输入以供LLMs处理，包括结构格式转换（如邻接矩阵或列表）和顺序格式转换（如逐边描述）。然而，这些方法在处理大规模图时效果不佳，导致LLMs的理解能力下降。此外，已有研究还探讨了缓解LLMs在长序列中位置偏差的方法，但这些方法并未专门针对图描述序列进行优化。

1. 将图转换为自然语言描述的两种主要方法：结构格式转换（如邻接矩阵和列表）和顺序格式转换（如逐边描述）；
2. 现有研究表明，LLMs在图结构理解任务中存在显著挑战，尤其是在图规模较大时。

研究方法

GraphInsight框架，用于解决LLMs在理解图结构信息方面的问题。具体来说：

1. 基于重要性的宏观层面的图形理解

首先，针对宏图理解任务，提出了一种根据局部图结构的重要性重新组织图描述序列的方法。具体步骤如下：

• 计算图中每个节点的PageRank分数，以衡量其重要性。
• 将图分解为一系列互不相交的子图描述，每个子图描述由其中心节点及其直接相连的邻居组成。
• 根据PageRank分数对子图描述进行排序，并将最重要的子图描述放置在LLMs的强记忆区域（即序列的头部和尾部）。
• 公式如下：

  其中，Phi(p)表示序列位置p的重要性分布，$Psi(p)表示LLMs的内在理解分布。

2. 基于检索增强生成（RAG）的微观层面的图形理解

其次，针对微观层面的图形理解任务，提出了一种构建轻量级外部知识库的方法，以补充LLMs在弱记忆区域的记忆不足。具体步骤如下：

• 对于弱记忆区域中的节点和边，提取其信息并存储在GraphRAG知识库中。
• 当需要进行微图理解任务时，从知识库中检索相关信息，并将其与输入的图描述序列结合，形成增强提示输入LLMs进行推理。
• 公式如下：

  其中， 分别表示节点和边的增强信息集。

实验设计

1. 数据集

引入了GraphSQA基准，涵盖了从15到200个节点的多种图结构，包括多重边和自环。

2. 任务类型

GraphSQA包括5个宏观图任务和15个微观图任务，后者进一步细分为8个复合任务。

3. 评估指标

根据答案类型的不同，采用布尔值、数值和集合类型三种评估指标。布尔答案得分为1或0；数值答案得分为1减去相对误差；集合类型答案得分为预测集与真实集之间的Jaccard相似度。

4. 模型选择

使用了多种开源模型，包括Mistral 7B、Llama3-8B、Qwen2-7B和Vicuna-7B等，这些模型有的经过长时间序列的微调。

结果与分析

1. 宏观图任务

GraphInsight在所有大型模型上均优于其他方法，特别是在Vicuna-7B模型上，得分提高了4.61倍。结构方法在宏观图任务中的改进最小，提示方法和结构方法的改进也相对有限。

2. 微观图任务

GraphInsight在微观图任务中也表现出色，特别是在Vicuna-7B模型上，得分提高了14.02倍。基线方法在大模型上的理解提升有限。

3. 复合任务

在常见邻居查找和三阶邻居查找等复合任务中，GraphInsight分别实现了12.75倍和3.25倍的提升。

4. 消融研究

图描述组织和GraphRAG对宏图和微图任务均有优化效果。特别是GraphRAG在微观图任务中带来了显著的改进。

总结

GraphInsight框架，通过利用LLMs在某些图序列区域的强记忆能力和补偿弱记忆区域，显著提高了LLMs的图理解能力。框架采用了基于重要性的图描述重组和轻量级RAG两种关键技术，适用于宏图和微图理解任务。广泛的实验结果表明：GraphInsight在各种规模的图结构理解任务中均优于现有方法。未来工作将致力于提高LLMs对更复杂图类型的理解，包括带有标签和语义信息的图。

论文读后感

优点与创新

1. 首次提出框架：本文首次提出了GraphInsight框架，旨在解决LLMs在理解图结构时面临的“位置偏见”问题。
2. 关键策略：提出了两种关键策略：一是将关键图形信息放置在LLMs表现出较强记忆能力的序列位置；二是为记忆能力较弱的区域构建一个轻量级的外部知识库，灵感来源于检索增强生成（RAG）。
3. 多步推理任务：探索了将这两种策略整合到LLMs代理过程中，以处理需要多步推理的复合图任务。
4. 显著性能提升：广泛的实证研究显示，GraphInsight在各种评估任务中显著优于所有其他图描述方法（如提示技术和重排序策略）。
5. 新基准：引入了GraphSQA基准，用于从宏观和微观两个层次评估LLMs理解图结构的能力。
6. 多种模型验证：使用了多种开源模型进行实验，包括长序列微调的模型和非长序列模型，验证了框架的通用性。

不足与反思

1. 假设的普适性：本文假设LLMs的理解分布呈U形曲线，但这一假设可能并不适用于所有LLMs或任务类型。未来研究需要进一步验证这一假设在不同模型和数据集上的普适性。
2. 重要性定义与量化：虽然本文采用了PageRank算法来定义和量化图结构的重要性，但这种方法仍有改进空间。未来研究可以探索更复杂的技术来定义和量化图结构的重要性。

关键QA

问题1：GraphInsight框架中的基于重要性宏图理解方法是如何具体实现的？

1. 计算PageRank分数：首先，计算图中每个节点的PageRank分数，以衡量其重要性。PageRank分数的计算公式为：

其中，(lambda)是阻尼因子，通常设为0.85，(operatorname{InNb}(v))表示指向节点(v)的节点集合，(operatorname{OutDeg}(u))是节点(u)的出度。

2. 分解图描述：将图分解为一系列互不相交的子图描述，每个子图描述由其中心节点及其直接相连的邻居组成。
3. 排序和重组：根据PageRank分数对子图描述进行排序，并将最重要的子图描述放置在LLMs的强记忆区域（即序列的头部和尾部）。最终形成新的图描述序列(hat{mathcal{T}})。通过这种方法，GraphInsight能够确保最重要的图结构信息被放置在LLMs的记忆优势区域，从而提高整体的理解和记忆能力。

问题2：在GraphInsight框架中，如何利用检索增强生成（RAG）方法来增强微观图理解？

1. 构建知识库：对于弱记忆区域中的节点和边，提取其信息并存储在GraphRAG知识库中。知识库包括节点和边的信息，如度数、邻居等。
2. 检索相关信息：当需要进行微图理解任务时，从知识库中检索与当前任务相关的节点和边信息。

引用

• https://arxiv.org/pdf/2409.03258
• 私信获取“完整高清脑图”，关键词：GraphInsight

关于我

点关注不迷路

点击➡️欢迎加入·技术交流群

往期推荐

• AI科技驿站·资讯系列
• LLM RAG 专题
• 提示工程 专题
• 智能文档 专题
• ASR+TTS 专题
• 实用工具 专题