Awesome-Graph-Prompt

Awesome-Graph-Prompt

图神经网络提示学习研究和应用资源集合

Awesome-Graph-Prompt是一个关于图神经网络提示学习的精选资源集合。它汇总了GNN提示、多模态图提示、图域适应等领域的最新研究论文,同时收录了相关开源代码、基准测试和数据集。该项目为图提示学习研究提供了全面的参考资料,有助于推动图神经网络在各类下游任务中的应用。

图提示学习图神经网络多模态融合图域迁移大语言模型Github开源项目
<h1 align="center">超赞图提示学习</h2> <h5 align="center">图上进行提示学习的精彩内容集锦</h5> <h5 align="center">

Awesome GitHub stars

</h5>

近期,"预训练、微调"的工作流程在处理图领域的各种下游任务时已经显示出较低的效果和效率。 受自然语言处理(NLP)领域提示学习的启发,"预训练、提示"的工作流程已成为一个有前景的解决方案。

本仓库旨在提供一个探索图上提示学习的研究论文精选列表。 这是基于我们的综述论文:图提示学习:全面综述与展望。 我们将努力经常更新这个列表。如果您发现任何错误或遗漏的论文,请随时提出问题或拉取请求。🌹

目录

GNN提示论文

现有代表性图提示工作的总结。$\mathcal{S}$:子图。$V(\mathcal{S})$:子图$\mathcal{S}$内的节点集。$\pi$:预训练参数。$\phi$:任务头参数。$\theta$:提示参数。$\widetilde{\mathbf{s}}$:填充的提示。

图提示总结

  1. GPPT:图预训练和提示微调以泛化图神经网络。 发表于 KDD'2022,[论文] [代码]。

  2. SGL-PT:具有图提示微调的强大图学习器。 发表于 arXiv,[论文]。

  3. GraphPrompt:统一图神经网络的预训练和下游任务。 发表于 WWW'2023,[论文] [代码]。

  4. All in One:图神经网络的多任务提示。 发表于 KDD'2023 最佳论文奖 🌟,[论文] [代码]。

  5. 深度图重编程。 发表于 CVPR'2023 亮点 🌟,[论文]。

  6. 用于少样本节点分类的虚拟节点微调。 发表于 KDD'2023,[论文]。

  7. PRODIGY:实现图上的上下文内学习。 发表于 NeurIPS'2023 聚焦 🌟,[论文] [代码]。

  8. 图神经网络的通用提示微调。 发表于 NeurIPS'2023,[论文] [代码]。

  9. 图Transformer的深度提示微调。 发表于 arXiv,[论文]。

  10. 多视图图对比学习的提示微调。 发表于 arXiv,[论文]。

  11. ULTRA-DP:统一图预训练与多任务图双重提示。 发表于 arXiv,[论文]。

  12. HetGPT:利用提示微调释放预训练异构图神经网络的力量。 发表于 WWW'2024,[论文]。

  13. 利用基于结构的提示增强图神经网络。 发表于 arXiv,[论文]。

  14. 广义图提示:走向图上预训练和下游任务的统一。 发表于 TKDE'2024, [论文] [代码].

  1. HGPROMPT: 连接同构和异构图的小样本提示学习。 发表于 AAAI'2024, [论文] [代码].

  1. MultiGPrompt: 图上的多任务预训练和提示。 发表于 WWW'2024, [论文].

  1. 子图级通用提示调优。 发表于 arXiv, [论文] [代码].

  1. 归纳图对齐提示:从谱角度弥合图预训练和归纳微调之间的差距。 发表于 WWW'2024, [论文].

  1. 图神经网络的统一图选择性提示学习。 发表于 arXiv, [论文].

图的多模态提示

文本属性图中的提示

  1. 利用图基础预训练和提示增强低资源文本分类。 发表于 SIGIR'2023, [论文] [代码].

  2. 图增强低资源文本分类的提示调优。 发表于 arXiv, [论文] [代码].

  3. 基于提示的零样本和小样本节点分类:一种多模态方法。 发表于 arXiv, [论文].

  4. 文本属性图上小样本学习的基于提示的节点特征提取器。 发表于 arXiv, [论文].

  5. 大型语言模型作为文本属性图的拓扑结构增强器。 发表于 arXiv, [论文].

  6. ZeroG: 调查图中跨数据集零样本可迁移性。 发表于 KDD'2024, [论文] [代码].

  7. 文本属性图上小样本节点分类的预训练和提示。 发表于 KDD'2024, [论文] [代码].

大型语言模型在图数据处理中的应用

关于这个研究方向,请参考 图任务中的大型语言模型综述 [综述论文 | Github 仓库]

我们强烈推荐这项工作,因为他们提供了一个全面的综述,总结了大型语言模型和图融合的相关工作 👍

图与提示的多模态融合

  1. GraphAdapter: 利用双知识图调整视觉-语言模型。 发表于 NeurIPS'2023, [论文] [代码]. 图+文本+图像

  2. SynerGPT: 个性化药物协同预测和药物设计的上下文学习。 发表于 arXiv, [论文]. 图+文本

  3. 我应该使用哪种模态 - 文本、模式还是图像? 利用大型语言模型理解图。 发表于 arXiv, [论文]. 图+文本+图像

基于提示的图域适应

  1. GraphGLOW: 图神经网络的通用和可泛化结构学习。 发表于 KDD'2023, [论文] [代码].

  2. GraphControl: 为图域迁移学习向通用图预训练模型添加条件控制。 发表于 WWW'2024, [论文] [代码] [中文博客].

  3. 三合一: 一种简单而有效的跨域图预训练方法。 发表于 KDD'2024, [论文] [代码].

应用论文

动态图

  1. 时序交互图上的提示学习。 发表于 arXiv, [论文].
  2. 提示增强的时空图迁移学习。 发表于 arXiv, [论文].
  3. DyGPrompt: 动态图上的特征和时间提示学习。 发表于 arXiv, [论文].

社交网络

  1. Prompt-and-Align: 基于提示的社交对齐用于小样本假新闻检测。 发表于 CIKM'2023, [论文] [代码]. 假新闻检测
  2. 利用图神经网络上的基于提示的微调进行代金券滥用检测。 发表于 CIKM'2023, [论文]. 欺诈检测
  3. ProCom: 一种小样本目标社区检测算法。 发表于 KDD'2024, [论文] [代码]. 社区检测

推荐系统

  1. 跨域推荐的对比图谱提示微调. 发表于 TOIS'2023, [论文]. 跨域推荐
  2. 图对比预训练在推荐中的提示微调实证研究. 发表于 NeurIPS'2023, [论文] [代码]. 通用推荐
  3. 基于模式的通用跨域推荐提示学习. 发表于 WSDM'2024, [论文]. 跨域推荐
  4. GraphPro: 图预训练和提示学习用于推荐. 发表于 WWW'2024, [论文] [代码]. 通用推荐
  5. GPT4Rec: 流式推荐的图提示微调. 发表于 SIGIR'2024, [论文]. 通用推荐

知识图谱

  1. 知识图谱迁移的结构预训练和提示微调. 发表于 WWW'2023, [论文] [代码].
  2. 大型语言模型的图神经提示. 发表于 AAAI'2024, [论文].
  3. 多文档问答的知识图谱提示. 发表于 arXiv, [论文] [代码].
  4. 多领域知识图谱协作预训练和提示微调用于多样化下游任务. 发表于 arXiv, [论文] [代码].

生物学

  1. 大型语言模型能否增强分子性质预测? 发表于 arXiv, [论文] [代码].
  2. GIMLET: 基于指令的分子零样本学习统一图文模型. 发表于 NeurIPS'2023, [论文] [代码].
  3. MolCA: 具有跨模态投影器和单模态适配器的分子图语言建模. 发表于 EMNLP'2023, [论文] [代码].
  4. ReLM: 利用语言模型增强化学反应预测. 发表于 EMNLP'2023, [论文] [代码].
  5. MolCPT: 分子连续提示微调以泛化分子表示学习. 发表于 WSDM'2024, [论文].
  6. 基于蛋白质相互作用引导的提示学习的蛋白质多聚体结构预测. 发表于 ICLR'2024, [论文].
  7. DDIPrompt: 基于图提示学习的药物-药物相互作用事件预测. 发表于 CIKM'2024, [论文].

其他

  1. 为图神经网络赋予分布外检测能力的以数据为中心的框架. 发表于 KDD'2023, [论文] [代码]. 分布外检测
  2. MMGPL: 基于图提示学习的多模态医疗数据分析. 发表于 arXiv, [论文].
  3. 基于指令的超图预训练. 发表于 SIGIR'2024, [论文]. 超图提示
  4. 针对图提示学习的跨上下文后门攻击. 发表于 KDD'2024, [论文] [代码]. 跨上下文后门攻击
  5. 城市区域预训练和提示:一种基于图的方法. 发表于 arXiv, [论文]. 城市区域表示

其他资源

开源项目

  • ProG: 统一的图提示库 [网站] [代码]

    ProG(Prompt Graph)是一个基于PyTorch构建的库,可以轻松地为预训练的图神经网络(GNNs)进行单任务或多任务提示。

基准测试

  • ProG: 图提示学习基准 [论文]

    ProG基准整合了六种预训练方法和五种最先进的图提示技术,在十五个不同的数据集上进行评估,以评估性能、灵活性和效率

数据集

图神经网络提示论文中常用的数据集。

<details close> <summary>引文网络</summary>
数据集节点数边数特征数类别数
Cora2708542914337
CoraFull1979363421871070
Citeseer3327473237036
DBLP1771610573416394
Pubmed19717443385003
Coauthor-CS1833381894680515
Coauthor-Physics3449324796284155
ogbn-arxiv169343116624312840
</details> <details close> <summary>购买网络</summary>
数据集节点数边数特征数类别数
Amazon-Computers1375224586176710
Amazon-Photo76501190817458
ogbn-products24490296185914010047
</details> <details close> <summary>社交网络</summary>
数据集节点数边数特征数类别数
Reddit2329651160691960241
Flickr892508997565007
</details> <details close> <summary>分子图</summary>
数据集图数平均节点数平均边数特征数类别数
COX246741.2243.4532
ENZYMES60032.6362.14186
MUTAG18817.9319.7972
MUV9308724.2326.28-17
HIV4112725.5327.48-2
SIDER142733.6435.36-27
</details>

在线讲座

  • All in One的官方演示 链接

博客

  • 一篇全面介绍所有图提示工作的中文博客 [知乎]

贡献

👍 欢迎对此仓库进行贡献!

如果您发现了相关资源,欢迎提出问题或提交拉取请求。

引用

如果您觉得这个仓库对您有帮助,请随时引用以下论文:

综述论文

@article{sun2023graph, title = {Graph Prompt Learning: A Comprehensive Survey and Beyond}, author = {Sun, Xiangguo and Zhang, Jiawen and Wu, Xixi and Cheng, Hong and Xiong, Yun and Li, Jia}, year = {2023}, journal = {arXiv:2311.16534}, eprint = {2311.16534}, archiveprefix = {arxiv} }

ProG 库

@inproceedings{sun2023all, title={All in One: Multi-Task Prompting for Graph Neural Networks}, author={Sun, Xiangguo and Cheng, Hong and Li, Jia and Liu, Bo and Guan, Jihong}, booktitle={Proceedings of the 26th ACM SIGKDD international conference on knowledge discovery \& data mining (KDD'23)}, year={2023}, pages = {2120–2131}, location = {Long Beach, CA, USA}, isbn = {9798400701030}, url = {https://doi.org/10.1145/3580305.3599256}, doi = {10.1145/3580305.3599256} }

其他代表性工作:

🔥 All in One 一个代表性的GNN提示框架

@inproceedings{sun2023all, title={All in One: Multi-Task Prompting for Graph Neural Networks}, author={Sun, Xiangguo and Cheng, Hong and Li, Jia and Liu, Bo and Guan, Jihong}, booktitle={Proceedings of the 26th ACM SIGKDD international conference on knowledge discovery \& data mining (KDD'23)}, year={2023}, pages = {2120–2131}, location = {Long Beach, CA, USA}, isbn = {9798400701030}, url = {https://doi.org/10.1145/3580305.3599256}, doi = {10.1145/3580305.3599256} }

🔥 All in One and One for All 一个跨领域图预训练框架

@article{zhao2024all, title={All in One and One for All: A Simple yet Effective Method towards Cross-domain Graph Pretraining}, author={Haihong Zhao and Aochuan Chen and Xiangguo Sun and Hong Cheng and Jia Li}, year={2024}, eprint={2402.09834}, archivePrefix={arXiv} }

🔥 TIGPrompt 一个时序交互图提示框架

@article{chen2024prompt, title={Prompt Learning on Temporal Interaction Graphs}, author={Xi Chen and Siwei Zhang and Yun Xiong and Xixi Wu and Jiawei Zhang and Xiangguo Sun and Yao Zhang and Yinglong Zhao and Yulin Kang}, year={2024}, eprint={2402.06326}, archivePrefix={arXiv}, journal = {arXiv:2402.06326} }

🔥 图提示在生物学领域的应用

@inproceedings{gao2024protein, title={Protein Multimer Structure Prediction via {PPI}-guided Prompt Learning}, author={Ziqi Gao and Xiangguo Sun and Zijing Liu and Yu Li and Hong Cheng and Jia Li}, booktitle={The Twelfth International Conference on Learning Representations (ICLR)}, year={2024}, url={https://openreview.net/forum?id=OHpvivXrQr} } @article{wang2024ddiprompt, title={DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt Learning}, author={Yingying Wang and Yun Xiong and Xixi Wu and Xiangguo Sun and Jiawei Zhang}, year={2024}, eprint={2402.11472}, archivePrefix={arXiv}, journal = {arXiv:2402.11472} }

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多